# ROB-103 — Film complet, dix leçons et dix ateliers

Aucune narration. Aucune voix off. Pas de ralentissement de la parole.

## 1 · Introduction à la perception

**001 — Professeur Nibizi**

Notre robot doit avancer jusqu’au carton, puis s’arrêter. Amina, Lucas, Mei : comment lui faire connaître ce qui se trouve devant lui ?

**002 — Amina**

Lucas, je commencerais par cette caméra. Est-ce qu’elle nous donne directement la distance du carton ?

**003 — Lucas**

Je pensais que oui, Amina : si le carton paraît grand dans l’image, il doit être proche.

**004 — Mei**

Mais regarde ces deux cartons, Lucas. Le grand peut être plus loin. Une image couleur seule ne suffit pas à connaître leur distance métrique.

**005 — Professeur Nibizi**

Voilà un bon contre-exemple. Noah, quel autre capteur peut nous aider à mesurer les distances autour du robot ?

**006 — Noah**

Celui-ci : le LiDAR. Sofia, il mesure des distances dans plusieurs directions. Mais reconnaît-il aussi la couleur du carton ?

**007 — Sofia**

Pas avec ces seules mesures, Noah. La caméra nous apporte l’apparence ; le LiDAR nous apporte des distances. Les informations se complètent.

**008 — Kenji**

Priya, quand j’incline ce capteur inertiel, qu’est-ce qui change dans ses mesures ?

**009 — Priya**

Les accélérations mesurées et, pendant la rotation, les vitesses angulaires. Kenji, ce n’est pas une caméra : elle ne reconnaît pas les objets.

**010 — Gabriel**

Léa, aide-moi à remettre ces cartes dans l’ordre : mesure, action, monde, décision et estimation.

**011 — Léa**

Je pars du monde, Gabriel, puis de la mesure. Après, on estime la situation, on décide, et enfin on agit.

**012 — Professeur Nibizi**

Testons maintenant une mesure. Samir, place le carton à un mètre du repère du capteur. Chloé, lis la valeur affichée.

**013 — Samir**

Le ruban indique un mètre. Chloé, j’ai bien commencé au repère du capteur, pas au bord de la table.

**014 — Chloé**

Je lis un virgule zéro deux mètre. Diego, quelle erreur cela fait-il par rapport à notre référence ?

**015 — Diego**

Je soustrais un mètre à un virgule zéro deux. L’erreur est positive : zéro virgule zéro deux mètre, donc deux centimètres.

**016 — Amina**

Diego, attendons avant de conclure que le capteur ajoute toujours deux centimètres. On n’a qu’une seule lecture.

**017 — Lucas**

Je recommence sans déplacer le carton : un virgule zéro un, zéro quatre-vingt-dix-neuf, un virgule zéro deux, un mètre, puis zéro quatre-vingt-dix-huit.

**018 — Mei**

Les valeurs varient autour d’un mètre, Lucas. Ça ressemble à du bruit ; notre première erreur ne prouve pas un biais constant.

**019 — Professeur Nibizi**

Gardons cette prudence. Voici maintenant un autre essai : la référence vaut deux mètres et le biais connu vaut plus cinq centimètres.

**020 — Samir**

La mesure brute vaut deux virgule treize mètres. Chloé, faut-il ajouter ou retirer les cinq centimètres ?

**021 — Chloé**

Les retirer, Samir. Le capteur surestime déjà la distance. Ajouter le biais augmenterait encore l’erreur.

**022 — Diego**

Deux virgule treize moins zéro virgule zéro cinq : deux virgule zéro huit mètres. Amina, ça ne vaut toujours pas exactement deux mètres.

**023 — Amina**

Oui, Diego. On a corrigé le biais connu, mais il reste huit centimètres d’écart dans cet essai. D’autres erreurs restent à examiner.

**024 — Professeur Nibizi**

Je fige maintenant les données du capteur. Noah, rapproche le carton dans la simulation et regarde ce que le robot reçoit.

**025 — Noah**

Le carton a bougé, mais l’écran reste à deux mètres ! Sofia, le nombre paraît plausible ; pourtant, il n’est plus à jour.

**026 — Sofia**

L’heure de la mesure n’avance plus. Kenji, on doit vérifier son âge avant de se fier à cette valeur.

**027 — Kenji**

Il est dix secondes et la mesure date de huit secondes. Priya, elle a donc deux secondes de retard.

**028 — Priya**

Notre limite est une demi-seconde, Kenji. Deux secondes, c’est trop ancien pour cet exercice. Gabriel, que proposes-tu ?

**029 — Gabriel**

Je refuse cette mesure pour avancer et je demande l’arrêt du robot. Léa, vérifie qu’on ne confond pas une vieille valeur avec une valeur sûre.

**030 — Léa**

L’arrêt est demandé, Gabriel, et la mesure est marquée trop ancienne. On rétablira la réception avant de reprendre.

**031 — Professeur Nibizi**

Bien. Ici, c’est la fraîcheur de la donnée qui nous a alertés. Une valeur raisonnable peut être inutilisable si elle arrive trop tard.

**032 — Lucas**

Mei, je rétablis les mesures. Tu peux déplacer le carton ? Cette fois, je surveille la distance et son horodatage ensemble.

**033 — Mei**

Je le rapproche, puis je l’éloigne. Les valeurs suivent le mouvement, Lucas. Vérifions aussi que tout est exprimé en mètres.

**034 — Samir**

Chloé, si notre capteur est décalé sur le châssis, sa mesure part toujours de son propre repère. Il faut en tenir compte.

**035 — Chloé**

D’accord, Samir. Pour décider où est le carton par rapport au robot, on doit exprimer cette information dans le repère utilisé pour la décision.

**036 — Diego**

Amina, je garde aussi nos essais répétés. Un seul nombre ne montre ni la dispersion ni tous les risques d’erreur.

**037 — Amina**

Et je ne dessine pas une certitude absolue, Diego. J’indique que notre estimation garde une incertitude.

**038 — Noah**

Sofia, si la caméra voit mal dans la pénombre, le LiDAR peut apporter une autre information. Mais on doit aussi surveiller ses limites.

**039 — Sofia**

Oui, Noah. Combiner des capteurs ne rend pas toutes les données bonnes : unités, repères et horodatages doivent rester cohérents.

**040 — Kenji**

Priya, pour notre prochain essai, je change seulement le biais. Tu notes l’effet sur la mesure et sur la correction ?

**041 — Priya**

Oui, Kenji. Ensuite, on fera varier le retard séparément. Comme ça, on pourra expliquer ce qui provoque chaque erreur.

**042 — Gabriel**

Léa, tu prends la commande de la simulation. Fige une mesure pendant que je surveille l’âge de la donnée.

**043 — Léa**

À toi de repérer l’alerte, Gabriel ! Ensuite on échange nos rôles pour vérifier que chacun sait faire le diagnostic.

**044 — Professeur Nibizi**

À vos équipes. Faites une mesure, vérifiez-la, puis justifiez votre décision. Je passe à chaque table pour examiner vos essais avec vous.

### Atelier 1 — Peut-on utiliser ce message ?

**191 — Amina**

Lucas, j’ai reçu un message qui contient seulement distance égale cent. Avant de déplacer notre robot, peux-tu expliquer ce que ce nombre nous apprend vraiment ?

**192 — Lucas**

Sans unité, Amina, je ne sais pas si cent représente des mètres, des centimètres ou une valeur brute. Je refuse de lui donner un sens arbitraire.

**193 — Mei**

Samir, ajoutons centimètres au message. Cent centimètres donnent un mètre. Je conserve aussi la valeur originale pour retrouver la conversion dans notre journal.

**194 — Samir**

Chloé, je veux comparer cette distance à celle de la base du robot. Mais le capteur est installé vingt centimètres devant le centre de cette base.

**195 — Chloé**

Alors un carton situé un mètre devant le capteur se trouve un virgule vingt mètre devant la base, Samir, si leurs axes sont alignés ainsi.

**196 — Diego**

Priya, je dessine les deux origines plutôt que de mémoriser un signe. Cela m’évite de soustraire vingt centimètres alors que le carton se trouve devant.

**197 — Priya**

Oui, Diego. Si le capteur était orienté autrement, une simple addition ne suffirait plus. Il faudrait appliquer la transformation correspondant réellement au montage.

**198 — Noah**

Sofia, le message annonce maintenant son unité et son repère. Il lui manque encore l’instant de la mesure pour savoir si la scène peut avoir changé.

**199 — Sofia**

Je lis neuf virgule quatre-vingt-douze secondes pour l’acquisition et dix secondes pour la décision. Kenji, quelle est l’ancienneté de cette information ?

**200 — Kenji**

Dix moins neuf virgule quatre-vingt-douze donne zéro virgule zéro huit seconde. Léa, je compare cet âge au seuil défini pour cet essai.

**201 — Léa**

S’il est inférieur au seuil, Kenji, le contrôle de fraîcheur passe. Cela ne prouve pas encore que la valeur est correcte ou adaptée à toutes les décisions.

**202 — Gabriel**

professeur, vérifions donc aussi sa plage, la cohérence avec les autres mesures et l’état annoncé par le capteur. Il nous faut plusieurs contrôles complémentaires.

**203 — Professeur Nibizi**

Vous avez transformé un nombre isolé en information interprétable. Changeons maintenant un paramètre : que se passe-t-il si le robot avance pendant un retard plus grand ?

**204 — Amina**

Lucas, prenons zéro virgule vingt mètre par seconde pendant zéro virgule trente seconde. Je multiplie la vitesse par le temps pour estimer le déplacement.

**205 — Lucas**

Cela fait zéro virgule zéro six mètre, Amina, donc six centimètres. La situation au moment de la décision peut déjà différer de celle observée.

**206 — Mei**

Samir, ces six centimètres ne représentent pas toute la distance d’arrêt. Notre petit calcul ne tient compte ni du freinage ni des autres délais.

**207 — Samir**

Chloé, je note cette limite dans notre exercice. On ne peut pas transformer ce résultat simplifié en marge de sécurité pour un appareil réel.

**208 — Chloé**

Diego, essayons maintenant une référence à un mètre avec une mesure à un virgule zéro deux. Si la tolérance de l’exercice est trois centimètres, ce point passe.

**209 — Diego**

Oui, Chloé : l’écart absolu vaut deux centimètres. Mais un essai réussi ne garantit pas que les autres distances ou conditions respecteront la même tolérance.

**210 — Priya**

Noah, nous allons donc déplacer le carton et refaire la comparaison. Je veux distinguer la réussite d’une mesure de la validation d’un système entier.

**211 — Noah**

Sofia, je prépare quatre colonnes : référence, mesure, instant et décision. J’ajoute une colonne expliquant pourquoi le contrôle accepte ou refuse la donnée.

**212 — Sofia**

Kenji, dans une ligne, je retire volontairement l’unité. Le programme doit signaler cette information manquante au lieu de deviner à partir des lignes voisines.

**213 — Kenji**

Léa, dans une autre ligne, je garde l’unité mais je change le repère. Notre contrôle doit empêcher de mélanger directement les coordonnées de deux origines.

**214 — Léa**

Je marque cette ligne à transformer, Kenji, et je conserve la transformation appliquée. Gabriel pourra vérifier que mon résultat correspond bien au dessin du montage.

**215 — Gabriel**

Amina, je reprends ensuite ton dossier sans regarder ta conclusion. Si je reproduis les mêmes contrôles et la même décision, notre trace devient réellement utile.

**216 — Professeur Nibizi**

Avant de changer de table, chacun explique un contrôle à son voisin. Gardez cette règle : une mesure exploitable possède un sens physique, un contexte et des limites.

## 2 · Capteurs et calibration

**045 — Amina**

Professeur, notre correction de cinq centimètres vient d’une référence. Lucas, comment vérifier qu’elle convient aussi à d’autres distances ?

**046 — Lucas**

Je placerais le carton à plusieurs distances connues, Amina. On comparerait chaque mesure à sa référence au lieu de calibrer sur un seul point.

**047 — Mei**

Et je garderais des distances pour vérifier le résultat après la calibration. Sinon, on juge seulement les points qui ont servi à régler le modèle.

**048 — Professeur Nibizi**

Bonne proposition, Mei. Commencez par distinguer ce qui varie entre deux lectures et ce qui reste systématiquement décalé.

**049 — Samir**

Chloé, les points dispersés autour de la référence évoquent le bruit. S’ils sont tous décalés du même côté, je soupçonne un biais.

**050 — Chloé**

D’accord, Samir, mais notre référence peut aussi être mauvaise. Je vérifie le ruban, l’alignement et le repère avant d’accuser le capteur.

**051 — Diego**

Priya, mon afficheur change seulement par pas d’un centimètre. Si la valeur reste identique, cela prouve-t-il que rien n’a bougé ?

**052 — Priya**

Non, Diego. Un petit déplacement peut rester inférieur au pas affiché. La résolution décrit ce que le capteur distingue, pas toute sa précision.

**053 — Noah**

Sofia, je note aussi la plage utilisable. Une valeur qui dépasse la plage annoncée ne devient pas fiable parce qu’elle apparaît à l’écran.

**054 — Sofia**

Et si le capteur chauffe, Noah ? Son décalage peut évoluer. On doit surveiller la dérive, pas considérer la calibration comme éternelle.

**055 — Professeur Nibizi**

Exact. Kenji, compare maintenant fréquence et latence : recevoir beaucoup de mesures garantit-il qu’elles soient récentes ?

**056 — Kenji**

Non. On peut recevoir un flux rapide avec du retard. Léa, je conserve donc la date d’acquisition, pas seulement la date de réception.

**057 — Léa**

Je calcule la différence entre les deux. Gabriel, si cette latence change, aligner les mesures par leur ordre d’arrivée peut nous tromper.

**058 — Gabriel**

Alors notre fiche doit préciser plage, résolution, bruit, biais, dérive, fréquence et latence. Amina, on peut tester ces propriétés séparément.

**059 — Professeur Nibizi**

Faites-le sur le banc simulé : une référence, plusieurs répétitions, puis une perturbation à la fois. Comparez les résultats avant et après correction.

**060 — Amina**

Je m’occupe des références. Lucas relève les mesures, Mei vérifie les points de contrôle ; ensuite nous échangeons les rôles.

### Atelier 2 — Corriger le gain et le décalage

**217 — Lucas**

Amina, notre première correction retirait seulement un biais. Cette fois, j’observe un défaut qui augmente avec la distance. Peut-on encore soustraire une constante ?

**218 — Amina**

Pas forcément, Mei. Je propose un modèle avec un gain et un décalage : la mesure brute égale a fois la distance de référence, plus b.

**219 — Mei**

Samir, prenons deux points de cet exercice : un mètre donne un virgule zéro huit mètre, et deux mètres donnent deux virgule douze.

**220 — Samir**

Chloé, entre les deux références, la différence vaut un mètre. Entre les mesures brutes, elle vaut un virgule zéro quatre mètre.

**221 — Chloé**

Le gain a vaut donc un virgule zéro quatre, Samir. Ce rapport n’a pas d’unité si les deux distances sont exprimées dans la même unité.

**222 — Diego**

Priya, pour trouver b, j’utilise le premier point : un virgule zéro huit moins un virgule zéro quatre fois un. Il reste zéro virgule zéro quatre mètre.

**223 — Priya**

Diego, vérifions le second point. Un virgule zéro quatre fois deux, plus zéro virgule zéro quatre, donne bien deux virgule douze mètres.

**224 — Noah**

Sofia, j’ai maintenant une mesure brute de trois virgule seize mètres. Pour la corriger, je dois inverser le modèle, pas appliquer à nouveau le gain.

**225 — Sofia**

Je commence par retirer zéro virgule zéro quatre, Noah. Il reste trois virgule douze. Kenji, pourquoi faut-il encore diviser par un virgule zéro quatre ?

**226 — Kenji**

Parce que le gain multipliait la distance, Sofia. L’opération inverse nous donne trois mètres. Léa, retirer seulement le biais aurait laissé une erreur de douze centimètres.

**227 — Léa**

Je note les deux corrections côte à côte, Kenji. Le modèle à biais seul et le modèle à gain plus biais ne répondent pas au même défaut.

**228 — Gabriel**

professeur, je veux maintenant tester une référence que nous n’avons pas utilisée pour calculer a et b. Sinon notre vérification reste trop facile.

**229 — Professeur Nibizi**

Choisissez un point de contrôle à un virgule cinquante mètre. Prédisez d’abord la mesure brute attendue, puis comparez cette prédiction aux observations simulées.

**230 — Amina**

Lucas, un virgule zéro quatre fois un virgule cinquante donne un virgule cinquante-six. En ajoutant quatre centimètres, j’obtiens un virgule soixante mètre.

**231 — Lucas**

Amina, si je mesure un virgule soixante et un, je serais tenté de retirer seulement les quatre centimètres. J’obtiendrais un virgule cinquante-sept mètre.

**232 — Mei**

Attention, Lucas : il manque la division par le gain. Un virgule soixante et un moins zéro virgule zéro quatre, divisé par un virgule zéro quatre, donne environ un virgule cinq zéro neuf six mètre.

**233 — Samir**

Mei, en arrondissant au centimètre, cela donne un virgule cinquante et un mètre. L’écart avec notre référence d’un virgule cinquante reste donc proche d’un centimètre.

**234 — Chloé**

Diego, ce résidu n’annule pas automatiquement toute la calibration. Nous devons le comparer à la tolérance choisie et aux variations observées sur plusieurs répétitions.

**235 — Diego**

Je refais donc plusieurs lectures, Samir. Si les résidus deviennent systématiquement plus grands à une extrémité de la plage, le modèle linéaire peut être insuffisant.

**236 — Priya**

Noah, je garde aussi les conditions de température et le montage. Une calibration calculée dans un contexte peut se dégrader si ces conditions changent.

**237 — Noah**

Sofia, je propose de séparer les données qui servent au réglage et celles qui servent à la validation. Le fichier indiquera clairement leur rôle.

**238 — Sofia**

Kenji, j’ajoute un exemple hors de la plage étudiée. Nous ne présenterons pas une extrapolation comme une précision déjà démontrée.

**239 — Kenji**

Léa, si la référence elle-même est mal connue, notre résultat hérite aussi de cette incertitude. La formule ne crée pas une référence parfaite.

**240 — Léa**

Je garde donc la provenance et l’incertitude de la référence dans le compte rendu, Kenji. Gabriel vérifiera que les unités restent cohérentes dans les deux séries.

**241 — Gabriel**

Amina, nous présenterons le modèle choisi, les paramètres, les résidus et les limites de validité. Ainsi, une autre équipe pourra refaire la calibration.

**242 — Professeur Nibizi**

Votre conclusion doit répondre à une question précise : quel défaut avez-vous corrigé, sur quelle plage, avec quelles preuves ? Une belle droite seule ne suffit pas.

## 3 · Probabilités et incertitude

**061 — Lucas**

Amina, voici nos cinq mesures : zéro quatre-vingt-dix-huit, zéro quatre-vingt-dix-neuf, un, un virgule zéro un et un virgule zéro deux mètre.

**062 — Amina**

Leur somme vaut cinq mètres, Lucas. En divisant par cinq, la moyenne vaut un mètre. Mais les cinq valeurs ne sont pas identiques.

**063 — Mei**

Je dessine leur dispersion autour de la moyenne. Professeur, deux capteurs peuvent avoir la même moyenne et des dispersions différentes ?

**064 — Professeur Nibizi**

Oui, Mei. Une moyenne décrit le centre ; elle ne décrit pas à elle seule l’incertitude. Regardez aussi la dispersion et la forme des données.

**065 — Samir**

Chloé, si notre modèle indique un écart-type de zéro virgule dix mètre, quelle est la variance ?

**066 — Chloé**

On élève l’écart-type au carré, Samir : zéro virgule zéro un mètre carré. L’unité change aussi.

**067 — Diego**

Priya, dans z égale h de x plus v, je prends z comme mesure. Que représentent les deux autres termes ?

**068 — Priya**

h de x est la mesure attendue d’après l’état et le modèle, Diego. v représente le bruit dans ce modèle simplifié.

**069 — Noah**

Sofia, si je répète cent fois l’expérience avec un bruit simulé, est-ce que j’ai prouvé que notre vrai robot se comportera pareil ?

**070 — Sofia**

Non, Noah. La simulation de Monte-Carlo explore les hypothèses qu’on lui donne. Elle ne remplace pas une validation sur des observations réelles.

**071 — Kenji**

Léa, prendre davantage de mesures réduit-il forcément toutes les erreurs ? J’ai peur qu’on confonde réduction du bruit et correction du biais.

**072 — Léa**

Tu as raison, Kenji. Une moyenne peut réduire certains effets aléatoires, mais un biais commun peut rester. Et des mesures corrélées apportent moins d’information nouvelle.

**073 — Gabriel**

Professeur, je garde donc le nombre de mesures et nos hypothèses dans le rapport, avec la moyenne et la dispersion.

**074 — Professeur Nibizi**

Très bien, Gabriel. Tracez un histogramme, repérez les valeurs inhabituelles, puis expliquez ce que votre modèle sait représenter et ce qu’il laisse de côté.

**075 — Samir**

Chloé, nous allons comparer deux séries de même moyenne : une peu dispersée, l’autre très dispersée. Tu verras pourquoi le centre ne suffit pas.

**076 — Chloé**

Et je vérifierai l’unité avant de comparer leurs variances. Des mètres carrés et des centimètres carrés ne sont pas directement interchangeables.

### Atelier 3 — Dispersion, biais et moyenne

**243 — Amina**

Lucas, reprenons nos cinq valeurs autour d’un mètre. Cette fois, je veux calculer la dispersion plutôt que seulement la regarder sur le graphique.

**244 — Lucas**

Amina, la moyenne vaut un mètre. Les écarts sont moins deux centimètres, moins un, zéro, plus un et plus deux centimètres.

**245 — Mei**

Samir, si nous additionnons directement les écarts, les signes se compensent. Cela ne signifie pas que toutes les mesures sont identiques.

**246 — Samir**

Chloé, nous élevons donc les écarts au carré. En mètres carrés, leur somme vaut zéro virgule zéro zéro un.

**247 — Chloé**

Pour décrire exactement ces cinq valeurs, Samir, je divise cette somme par cinq. La variance descriptive vaut zéro virgule zéro zéro zéro deux mètre carré.

**248 — Diego**

Priya, sa racine carrée vaut environ zéro virgule zéro quatorze un mètre. Cela représente un peu plus d’un virgule quatre centimètre d’écart-type descriptif.

**249 — Priya**

Diego, lorsque nous estimons sans biais la variance d’une population à partir d’un échantillon indépendant, le dénominateur usuel devient n moins un.

**250 — Noah**

Sofia, ici cela donne quatre au dénominateur, donc zéro virgule zéro zéro zéro vingt-cinq mètre carré. Il faut annoncer quelle convention on utilise.

**251 — Sofia**

Kenji, l’écart-type correspondant vaut environ un virgule cinquante-huit centimètre. Deux résultats différents peuvent donc venir de deux définitions clairement annoncées.

**252 — Kenji**

Léa, je vais inscrire la formule avec le résultat pour éviter toute ambiguïté. Léa pourra vérifier le calcul sans devoir deviner notre dénominateur.

**253 — Léa**

Je vérifie aussi qu’on ne mélange pas les unités, Kenji. Une variance calculée à partir de mètres s’exprime en mètres carrés, pas en mètres.

**254 — Gabriel**

professeur, ajoutons maintenant cinq centimètres à toutes les valeurs. Je prédis que le centre se déplacera, mais que leurs écarts à la nouvelle moyenne resteront identiques.

**255 — Professeur Nibizi**

C’est un test utile pour distinguer biais et dispersion. Calculez la nouvelle moyenne, puis expliquez pourquoi répéter davantage ces mêmes mesures ne retire pas ce décalage.

**256 — Amina**

Lucas, la nouvelle moyenne vaut un virgule zéro cinq mètre. Chaque valeur garde la même position relative autour de ce nouveau centre.

**257 — Lucas**

Amina, l’écart-type ne change donc pas. Une série peut être très régulière et pourtant systématiquement éloignée de la bonne référence.

**258 — Mei**

Samir, j’ajoute ensuite une valeur aberrante beaucoup plus grande. Notre moyenne se déplace et la dispersion augmente ; je dois examiner cette observation avant de conclure.

**259 — Samir**

Chloé, je ne la supprime pas seulement parce qu’elle me dérange. Je cherche une raison physique ou un critère défini qui justifie son traitement.

**260 — Chloé**

Diego, comparons ensuite vingt répétitions d’une simulation où le bruit est indépendant. La moyenne de chaque série ne sera pas exactement la même.

**261 — Diego**

Priya, dans ce modèle, la variance d’une moyenne vaut la variance individuelle divisée par le nombre de mesures. L’écart-type diminue comme la racine de ce nombre.

**262 — Priya**

Noah, cela ne s’applique pas aveuglément si nos erreurs se ressemblent d’une lecture à l’autre. La corrélation réduit le bénéfice des répétitions.

**263 — Noah**

Sofia, je garde la graine aléatoire et les paramètres de la simulation. Une autre équipe pourra reproduire exactement nos séries avant de tester d’autres réalisations.

**264 — Sofia**

Kenji, nous distinguerons aussi un intervalle portant sur la moyenne d’une plage où l’on espère trouver une future observation. Ce ne sont pas les mêmes questions.

**265 — Kenji**

Léa, notre compte rendu peut rester simple : données, moyenne, convention de dispersion, hypothèses et observations inhabituelles. Il sera déjà beaucoup plus solide.

**266 — Léa**

Gabriel, je préparerai deux histogrammes avec les mêmes axes. Sinon, un changement d’échelle pourrait faire croire à une amélioration qui n’existe pas.

**267 — Gabriel**

Amina, je comparerai le modèle aux données utilisées. Si le modèle suppose un bruit centré mais que notre référence révèle un décalage, nous devons le signaler.

**268 — Professeur Nibizi**

Retenez ce résultat de votre expérience : l’incertitude doit être décrite avec ses hypothèses. Ni une moyenne stable ni une courbe bien dessinée ne suffisent à prouver l’exactitude.

## 4 · Filtre de Kalman

**077 — Diego**

Priya, notre modèle prédit dix mètres avec une variance de quatre mètres carrés. Le capteur mesure douze mètres avec une variance de un.

**078 — Priya**

La mesure annonce donc moins d’incertitude que la prédiction. Mais je ne choisirais pas simplement douze en jetant le modèle.

**079 — Professeur Nibizi**

Calculons la correction ensemble. Noah, quelle est l’innovation, c’est-à-dire la différence entre la mesure et la prédiction ?

**080 — Noah**

Douze moins dix : deux mètres. Sofia, il reste à déterminer quelle part de cet écart on utilise pour corriger.

**081 — Sofia**

Le gain vaut quatre divisé par quatre plus un : zéro virgule huit. Kenji, notre correction utilisera huit dixièmes de l’innovation.

**082 — Kenji**

Dix plus zéro virgule huit fois deux donne onze virgule six mètres. Léa, l’estimation se rapproche davantage de la mesure.

**083 — Léa**

Et la variance corrigée vaut un moins zéro virgule huit, multiplié par quatre : zéro virgule huit mètre carré.

**084 — Gabriel**

Professeur, ce résultat vient du cas scalaire avec les hypothèses du modèle. Il ne faut pas appliquer ce petit calcul à toutes les situations sans vérifier.

**085 — Professeur Nibizi**

Exact, Gabriel. Amina, fais maintenant augmenter R, la variance attribuée à la mesure, en gardant le reste identique.

**086 — Amina**

Le gain diminue. Lucas, le filtre fait moins confiance à la mesure et conserve davantage la prédiction.

**087 — Lucas**

Mei, si notre modèle de mouvement est plus incertain, on augmente plutôt Q, le bruit de processus. Cela intervient pendant la prédiction.

**088 — Mei**

Oui, Lucas. Et on justifie ces réglages par des essais. Un joli tracé ne prouve pas que les incertitudes choisies sont réalistes.

**089 — Samir**

Chloé, je supprime maintenant plusieurs mesures. Le filtre peut continuer à prédire, mais il ne reçoit plus cette correction.

**090 — Chloé**

Avec notre bruit de processus positif, l’incertitude prédite augmente pendant cette absence. Je l’affiche au lieu de masquer le problème.

**091 — Diego**

Priya, je compare la référence simulée, les mesures et l’estimation sur le même graphe. Sinon, un filtre très lisse peut sembler bon tout en étant en retard.

**092 — Priya**

Et je rétablis les mesures pour observer la récupération. Nous noterons l’erreur, l’incertitude et le temps nécessaire pour retrouver un comportement cohérent.

### Atelier 4 — Faire varier la confiance

**269 — Amina**

Lucas, gardons la même prédiction à dix mètres et la même mesure à douze. Je change seulement la confiance attribuée à la mesure pour observer son effet.

**270 — Lucas**

Amina, avec P égal quatre et R égal un, le gain vaut zéro virgule huit. Nous avions obtenu onze virgule six mètres après correction.

**271 — Mei**

Samir, je remplace maintenant R par neuf mètres carrés. L’observation numérique reste douze mètres ; c’est notre modèle d’incertitude qui change.

**272 — Samir**

Chloé, le nouveau gain vaut quatre sur treize, environ zéro virgule trois zéro sept sept. Il est beaucoup plus petit que dans le premier essai.

**273 — Chloé**

L’innovation vaut toujours deux mètres, Samir. En la multipliant par ce gain, la correction vaut environ zéro virgule six cent quinze mètre.

**274 — Diego**

Priya, l’état corrigé vaut donc environ dix virgule six cent quinze mètres. La mesure nous attire moins parce qu’on la considère moins précise.

**275 — Priya**

Noah, cela montre pourquoi il ne faut pas choisir R seulement pour obtenir la courbe qu’on souhaite. Sa valeur doit représenter une hypothèse défendable sur la mesure.

**276 — Noah**

Sofia, faisons un autre essai : P égal un et R égal un. Les deux incertitudes sont égales, donc le gain vaut un demi.

**277 — Sofia**

Kenji, l’estimation se place alors à onze mètres. C’est la moyenne dans ce cas particulier, pas une règle universelle pour toutes les fusions.

**278 — Kenji**

Léa, quand P est très petit devant R, la prédiction domine davantage. Mais si cette confiance dans le modèle est injustifiée, le filtre peut ignorer de bonnes observations.

**279 — Léa**

Gabriel, je vérifierai donc l’erreur par rapport à la référence simulée. Le réglage qui donne le plus joli tracé n’est pas forcément celui qui suit le mieux le mouvement.

**280 — Gabriel**

professeur, je souhaite aussi tester une accélération que notre modèle simplifié ne prévoit pas bien. Cela révélera une limite qu’un essai à vitesse constante peut cacher.

**281 — Professeur Nibizi**

Très bonne idée. Dans ce laboratoire, distinguez l’incertitude de mesure et celle du processus. Puis observez comment les choix de Q et R changent le compromis obtenu.

**282 — Amina**

Lucas, je prends un modèle scalaire très simple où la variance prédite suivante vaut la variance corrigée plus Q. C’est une hypothèse de cet exercice.

**283 — Lucas**

Amina, si Q vaut zéro virgule deux mètre carré, chaque étape sans correction ajoute cette quantité à la variance dans ce modèle précis.

**284 — Mei**

Samir, après trois étapes sans mesure, l’augmentation cumulée vaut zéro virgule six mètre carré. Je ne fais pas semblant que l’incertitude reste constante.

**285 — Samir**

Chloé, quand une mesure revient, je vérifie d’abord son unité et son horodatage. Une correction mathématique sur une donnée périmée pourrait aggraver notre résultat.

**286 — Chloé**

Diego, je trace la période de coupure comme une zone distincte. Le lecteur pourra relier l’évolution de la covariance à l’absence de correction.

**287 — Diego**

Priya, je calcule aussi l’innovation à chaque réception. Une différence très importante peut signaler une observation aberrante ou un modèle devenu inadéquat.

**288 — Priya**

Noah, on ne peut pas toujours savoir laquelle de ces deux causes est vraie avec un seul nombre. Nous devons utiliser le contexte et les autres contrôles.

**289 — Noah**

Sofia, je compare deux réglages sur la même série de mesures. Ainsi, une différence de bruit aléatoire ne masquera pas l’effet des paramètres.

**290 — Sofia**

Kenji, je recommence ensuite sur une autre série. Si le réglage ne fonctionne que sur le premier tirage, notre conclusion doit rester prudente.

**291 — Kenji**

Léa, je garde l’erreur moyenne, la dispersion des erreurs et le retard visible. Un seul indicateur peut cacher une faiblesse importante du filtre.

**292 — Léa**

Gabriel, j’ajoute les unités de Q, R et P selon l’état choisi. Dans un état comportant plusieurs variables, les blocs de covariance demandent davantage de soin.

**293 — Gabriel**

Amina, notre présentation montrera la prédiction, la mesure et la correction séparément. Cela permettra de voir quelle information influence réellement chaque étape.

**294 — Professeur Nibizi**

Terminez en défendant un réglage avec vos résultats, puis laissez une autre équipe le critiquer. Le filtre est un outil d’estimation, pas une garantie automatique de vérité.

## 5 · Encodeurs, IMU et odométrie

**093 — Samir**

Chloé, notre roue a un rayon de zéro virgule zéro trente-trois mètre et l’encodeur fournit mille ticks par tour. Comment trouver la distance par tick ?

**094 — Chloé**

Je calcule la circonférence, deux pi fois le rayon, puis je divise par mille. Cela donne environ zéro virgule deux zéro sept millimètre par tick.

**095 — Diego**

Priya, avec cinq cents ticks, j’obtiens environ cent trois virgule sept millimètres, soit zéro virgule cent quatre mètre en arrondissant.

**096 — Priya**

Oui, Diego, si notre conversion est correctement calibrée. Mais des roues qui tournent ne garantissent pas le même déplacement au sol lorsqu’elles glissent.

**097 — Professeur Nibizi**

Voyons aussi la direction. Noah, la roue droite avance à zéro virgule cinquante mètre par seconde, la gauche à zéro virgule trente.

**098 — Noah**

La vitesse linéaire moyenne vaut zéro virgule quarante mètre par seconde. Sofia, l’écartement des roues vaut zéro virgule quarante mètre.

**099 — Sofia**

La vitesse angulaire vaut la différence des vitesses divisée par cet écartement : zéro virgule cinq radian par seconde, avec notre convention de signe.

**100 — Kenji**

Léa, notre gyroscope aide à suivre la rotation. Mais si je lui ajoute un petit biais, l’erreur d’orientation augmente quand je l’intègre.

**101 — Léa**

Et l’orientation estimée influence la trajectoire, Kenji. Voilà pourquoi une petite erreur répétée peut produire un grand écart après un long trajet.

**102 — Gabriel**

Amina, je propose un parcours carré d’un mètre de côté. Le point de départ nous donnera une référence simple pour mesurer l’erreur de fermeture.

**103 — Amina**

Lucas, je vais simuler un rayon de roue droite trop grand d’un pour cent. On comparera le carré demandé et la trajectoire estimée.

**104 — Lucas**

Mei, je garde aussi un essai sans défaut. On pourra distinguer ce qui vient du réglage de départ et ce qui change après la faute injectée.

**105 — Mei**

Je tracerai ensuite odométrie seule, IMU seule et fusion. Je comparerai leurs erreurs à la même référence, avec les mêmes instants.

**106 — Professeur Nibizi**

Ajoutez enfin du glissement sur une roue. Samir, explique à Chloé pourquoi l’encodeur peut continuer à compter alors que le robot avance moins.

**107 — Samir**

Il observe une rotation mécanique, Chloé. Il ne mesure pas directement le déplacement réel du châssis dans la pièce.

**108 — Chloé**

Alors notre conclusion décrira la limite du capteur et la réaction de l’estimateur. Nous ne dirons pas seulement que la courbe est mauvaise.

### Atelier 5 — Le carré qui ne se referme pas

**295 — Amina**

Lucas, préparons un côté de carré d’un mètre. Notre rayon nominal vaut trois virgule trois centimètres et nous comptons mille ticks par tour.

**296 — Lucas**

Amina, la distance nominale par tick vaut deux pi fois zéro virgule zéro trente-trois, divisé par mille. Je garde assez de décimales pendant le calcul.

**297 — Mei**

Samir, pour un mètre, le nombre théorique vaut environ quatre mille huit cent vingt-deux virgule quatre-vingt-huit ticks. Nous ne pouvons pas commander une fraction de tick observé.

**298 — Samir**

Chloé, en arrondissant à quatre mille huit cent vingt-trois ticks, notre distance nominale devient très légèrement supérieure à un mètre.

**299 — Chloé**

Diego, je conserve cet arrondi dans le rapport. Ici son effet est minuscule devant certains défauts mécaniques, mais il ne faut pas le cacher dans le raisonnement.

**300 — Diego**

Priya, nous allons d’abord simuler quatre côtés et quatre rotations sans défaut. Ce résultat servira de référence avant d’introduire une erreur.

**301 — Priya**

Noah, je distingue la trajectoire demandée de celle calculée à partir des encodeurs. Si elles portent le même nom dans nos fichiers, nous risquons de les confondre.

**302 — Noah**

Sofia, j’ajoute maintenant un pour cent au rayon effectif de la roue droite, en gardant les paramètres nominaux dans l’estimateur.

**303 — Sofia**

Kenji, les deux roues ne correspondent plus exactement au même déplacement pour le même nombre de tours. La trajectoire peut se courber progressivement.

**304 — Kenji**

Léa, notre point final ne rejoint plus exactement le point initial. Je mesure l’erreur de fermeture, mais je conserve aussi toute la forme du parcours.

**305 — Léa**

Gabriel, deux trajets peuvent finir près du départ tout en s’étant beaucoup écartés entre-temps. Une seule distance finale ne décrit pas tout le comportement.

**306 — Gabriel**

Amina, je propose donc de comparer aussi les écarts le long des côtés et les orientations aux quatre coins, avec des instants clairement associés.

**307 — Professeur Nibizi**

Vous avez identifié une erreur de modèle mécanique. Revenez maintenant au rayon correct et injectez seulement un biais de gyroscope pour distinguer les signatures.

**308 — Amina**

Lucas, prenons un biais constant de zéro virgule zéro un radian par seconde pendant dix secondes. L’erreur intégrée du modèle vaut zéro virgule dix radian.

**309 — Lucas**

Amina, cela représente environ cinq virgule soixante-treize degrés. Je précise que ce calcul suppose ce biais constant et ne décrit pas tous les effets possibles.

**310 — Mei**

Samir, si l’orientation estimée est fausse, convertir les déplacements des roues dans le repère de la carte produit aussi une erreur de position.

**311 — Samir**

Chloé, je vais montrer les deux graphes côte à côte : erreur d’orientation et trajectoire. Leur lien devient plus clair qu’avec une seule courbe.

**312 — Chloé**

Diego, passons au glissement. Pendant un court intervalle, une roue tourne mais transmet moins de déplacement au sol que prévu.

**313 — Diego**

Priya, l’encodeur peut continuer à annoncer des ticks plausibles. Il faut comparer son interprétation avec d’autres informations plutôt que le déclarer automatiquement défaillant.

**314 — Priya**

Noah, une IMU ou une observation géométrique peut apporter un indice complémentaire. Mais chaque source garde ses propres limites et son propre retard.

**315 — Noah**

Sofia, je n’ajouterai pas tous les défauts en même temps au premier essai. Sinon nous ne saurons plus lequel explique chaque changement.

**316 — Sofia**

Kenji, après les essais séparés, nous pourrons combiner deux perturbations. Cela testera si notre diagnostic reste utile dans une situation moins simple.

**317 — Kenji**

Léa, je conserverai les paramètres exacts et les intervalles où les fautes sont actives. Gabriel pourra rejouer le parcours sans dépendre de ma mémoire.

**318 — Léa**

Amina, nous vérifierons aussi la convention du signe de rotation. Une inversion entre logiciel et dessin peut imiter une erreur de capteur alors que le problème est ailleurs.

**319 — Gabriel**

Lucas, lors de la présentation, chacun montrera un défaut, un indice observé et une limite de son interprétation. Cela forcera notre équipe à argumenter.

**320 — Professeur Nibizi**

Votre carré devient maintenant une expérience diagnostique. Gardez le témoin sans défaut, les trois perturbations et les comparaisons ; ce sont les preuves de votre conclusion.

## 6 · LiDAR et géométrie

**109 — Noah**

Sofia, je relève un point à deux mètres dans la direction trente degrés. Comment le placer sur notre carte en deux dimensions ?

**110 — Sofia**

On utilise x égale r cosinus de l’angle et y égale r sinus de l’angle. Kenji, calcule les deux coordonnées.

**111 — Kenji**

J’obtiens environ un virgule sept cent trente-deux mètre pour x, et un mètre pour y. Léa, attention au mode degrés de la calculatrice.

**112 — Léa**

Si le logiciel attend des radians, je convertis trente degrés en pi sur six. Mélanger degrés et radians déforme toute la carte.

**113 — Professeur Nibizi**

Essayez maintenant trois mètres et moins quarante-cinq degrés. Gabriel, de quel côté de l’axe horizontal le point se trouve-t-il ?

**114 — Gabriel**

En dessous, avec notre repère. Amina, x vaut environ deux virgule cent vingt et un mètres et y vaut moins deux virgule cent vingt et un.

**115 — Amina**

Lucas, je vois un point très éloigné du groupe. Est-ce une erreur qu’on doit supprimer tout de suite ?

**116 — Lucas**

Pas forcément, Amina. Un obstacle fin peut produire peu de points. Je vérifie la cohérence et le contexte avant de filtrer.

**117 — Mei**

Samir, si on lisse trop, on risque d’effacer un obstacle réel. Le filtre doit être évalué sur les erreurs qu’il retire et sur ce qu’il détruit.

**118 — Samir**

Chloé, je regroupe les points voisins pour proposer des obstacles. Mais un groupe de points ne donne pas automatiquement le nom de l’objet.

**119 — Chloé**

Diego, après avoir déplacé le robot, notre second scan ne se superpose plus au premier. On peut chercher la transformation qui les aligne.

**120 — Diego**

Oui, mais l’alignement peut être ambigu dans un couloir répétitif. Priya, j’utiliserais aussi l’odométrie comme information complémentaire.

**121 — Priya**

Et je contrôlerais le résultat obtenu, Diego. Une convergence numérique ne garantit pas que l’alignement corresponde au vrai déplacement.

**122 — Professeur Nibizi**

Pour le laboratoire, construisez une carte de pièce simulée, injectez des points aberrants, puis comparez votre résultat à la géométrie de référence.

**123 — Noah**

Sofia, on ajoutera un objet fin et une surface difficile. Cela évitera de tester seulement le cas où tout fonctionne.

**124 — Sofia**

Je conserve les scans avant et après filtrage, puis l’erreur d’alignement. Nous pourrons expliquer chaque décision de traitement.

### Atelier 6 — Construire une petite carte

**321 — Amina**

Lucas, avant de dessiner notre carte, fixons le repère. Je choisis x vers l’avant du robot et y vers sa gauche, avec les angles positifs vers la gauche.

**322 — Lucas**

Amina, à deux mètres et zéro degré, le point vaut deux mètres sur x et zéro sur y. Cela fournit un premier contrôle facile.

**323 — Mei**

Samir, à deux mètres et quatre-vingt-dix degrés, il doit être sur l’axe y positif. Si mon logiciel le place à droite, notre convention ne correspond pas.

**324 — Samir**

Chloé, pour trente degrés, nous retrouvons environ un virgule sept cent trente-deux sur x et un sur y. Je vérifie les trois points sur le même dessin.

**325 — Chloé**

Diego, ces cas simples servent à tester le code avant un scan complet. Ils permettent de détecter une inversion d’axe ou une erreur d’unité angulaire.

**326 — Diego**

Priya, notre LiDAR est placé vingt centimètres devant la base. Lorsque les axes sont alignés, j’ajoute ce décalage à la coordonnée x exprimée dans la base.

**327 — Priya**

Noah, si le capteur est aussi tourné, il faut appliquer la rotation adaptée puis la translation. Je ne peux pas ajouter un angle directement à une distance.

**328 — Noah**

Sofia, je prépare une pièce rectangulaire simulée avec un petit obstacle. Nous connaîtrons sa géométrie pour comparer la carte produite à une référence.

**329 — Sofia**

Kenji, je garde un premier scan sans bruit, puis une version perturbée. Les différences montreront ce qui provient des mesures plutôt que de la conversion géométrique.

**330 — Kenji**

Léa, j’ajoute ensuite quelques valeurs aberrantes. Mais je garde aussi un objet fin réel dans la scène pour tester le risque de l’effacer.

**331 — Léa**

Gabriel, un filtre qui supprime tous les points isolés peut retirer des erreurs et des obstacles utiles. Nous devons compter ces deux effets.

**332 — Gabriel**

Amina, notre rapport présentera les points conservés et retirés, avec le critère utilisé. Une carte nettoyée sans explication ne permet pas de juger le traitement.

**333 — Professeur Nibizi**

Déplacez maintenant le robot d’une quantité connue dans la simulation. Votre objectif est d’aligner les deux scans et de comparer la transformation trouvée à cette référence.

**334 — Amina**

Lucas, j’observe que des coordonnées changent même si les murs n’ont pas bougé. C’est le repère du capteur qui s’est déplacé.

**335 — Lucas**

Amina, nous devons donc transformer les points avant de comparer leur position. Superposer directement les nombres ferait croire que l’environnement a changé.

**336 — Mei**

Samir, je commence avec une estimation du déplacement issue de l’odométrie. Elle peut aider l’alignement, mais elle n’est pas une vérité parfaite.

**337 — Samir**

Chloé, j’examine ensuite l’écart entre les points alignés et la référence. Une valeur faible dans une région ne garantit pas que toute la transformation soit correcte.

**338 — Chloé**

Diego, notre couloir a deux murs semblables. Plusieurs alignements peuvent paraître raisonnables si le scan ne contient pas assez de géométrie distinctive.

**339 — Diego**

Priya, ajoutons une ouverture ou un obstacle identifiable dans la simulation. Puis comparons ce qui change dans l’ambiguïté de l’alignement.

**340 — Priya**

Noah, ce test nous aide à comprendre pourquoi certains environnements sont plus difficiles que d’autres. Ce n’est pas seulement une question de quantité de points.

**341 — Noah**

Sofia, je vais aussi déplacer un obstacle entre les scans. Tous les points ne correspondent plus à une partie fixe de la scène.

**342 — Sofia**

Kenji, il faudra éviter que cet objet mobile entraîne toute la carte. Nous garderons les hypothèses du traitement clairement écrites.

**343 — Kenji**

Léa, je conserve les scans bruts, les horodatages et les transformations estimées. Gabriel pourra vérifier si l’erreur vient de la collecte ou de l’alignement.

**344 — Léa**

Amina, je calcule séparément l’erreur de translation et celle de rotation. Les mélanger dans un seul nombre sans unités compliquerait la comparaison.

**345 — Gabriel**

Lucas, notre résultat final montrera la carte, la trajectoire estimée et leurs écarts à la simulation de référence, pas seulement une image convaincante.

**346 — Professeur Nibizi**

Présentez enfin un cas réussi et un cas ambigu. Une équipe qui sait montrer pourquoi son estimation échoue comprend mieux son système qu’une équipe qui cache ses limites.

## 7 · Caméras et vision 3D

**125 — Mei**

Lucas, notre caméra trouve une boîte autour du carton. Est-ce déjà sa position en trois dimensions ?

**126 — Lucas**

Non, Mei. La détection indique une région dans l’image. Pour obtenir un point métrique, il nous faut notamment une géométrie calibrée et une profondeur.

**127 — Professeur Nibizi**

Amina, lis les paramètres de cet exemple : les focales valent six cents pixels, le centre principal est trois cent vingt, deux cent quarante.

**128 — Amina**

Le pixel choisi est trois cent quatre-vingts, deux cent soixante-dix. Samir, sa profondeur Z vaut un virgule vingt mètre.

**129 — Samir**

Pour X, je prends trois cent quatre-vingts moins trois cent vingt, fois un virgule vingt, divisé par six cents. J’obtiens zéro virgule douze mètre.

**130 — Chloé**

Pour Y, deux cent soixante-dix moins deux cent quarante donne trente. Le même calcul donne zéro virgule zéro six mètre.

**131 — Diego**

Priya, notre point est donc zéro virgule douze, zéro virgule zéro six, un virgule vingt mètre, dans le repère de la caméra.

**132 — Priya**

Exact, Diego. Pour l’utiliser depuis la base du robot, il faut encore appliquer la transformation entre le repère caméra et le repère robot.

**133 — Noah**

Sofia, la boîte englobe aussi du fond. Un masque de segmentation peut isoler plus précisément les pixels appartenant à l’objet.

**134 — Sofia**

Et leurs profondeurs permettent de reconstruire plusieurs points, Noah. Mais je dois écarter les profondeurs invalides avant de calculer un centroïde.

**135 — Kenji**

Léa, avec deux caméras calibrées, on peut aussi exploiter la disparité entre les images. Une faible disparité rend certaines profondeurs difficiles à estimer.

**136 — Léa**

Oui, Kenji. Une faible texture, l’éblouissement ou un mauvais éclairage compliquent aussi les correspondances entre images.

**137 — Gabriel**

Professeur, le SLAM visuel cherche à estimer le mouvement de la caméra et la structure de l’environnement ensemble. Ce n’est pas seulement une détection d’objets.

**138 — Professeur Nibizi**

Pour l’essai, choisissez dix pixels, reconstruisez leurs points, puis changez la lumière ou la qualité de profondeur. Comparez les conséquences.

**139 — Mei**

Lucas, je conserve aussi les paramètres intrinsèques et la transformation caméra vers base. Sans eux, on ne pourra pas reproduire mes coordonnées.

**140 — Lucas**

Et je garde la date des images. Même une bonne profondeur peut devenir inadaptée à la décision si la scène a changé entre-temps.

### Atelier 7 — Reconstruire puis changer de repère

**347 — Amina**

Lucas, commençons par un pixel situé exactement au centre principal de la caméra. Que deviennent X et Y dans notre formule de reconstruction ?

**348 — Lucas**

Amina, les deux différences de pixels valent zéro. X et Y sont donc nuls dans le repère caméra, quelle que soit la profondeur positive utilisée.

**349 — Mei**

Samir, ce cas simple nous sert de test logiciel. Si le programme ne retrouve pas ce résultat, je vérifie la formule et les paramètres avant de traiter l’image.

**350 — Samir**

Chloé, prenons ensuite le pixel trois cent quatre-vingts, deux cent soixante-dix, avec une profondeur d’un virgule vingt mètre et des focales de six cents pixels.

**351 — Chloé**

Diego, nous retrouvons X égal douze centimètres et Y égal six centimètres. Je garde Z égal un virgule vingt mètre comme troisième coordonnée.

**352 — Diego**

Priya, si nous doublons Z en gardant le même pixel, les valeurs de X et Y doublent aussi. Le rayon de visée reste le même dans ce modèle.

**353 — Priya**

Noah, cela montre pourquoi l’image couleur seule ne fixe pas la distance métrique. Plusieurs points situés sur ce rayon peuvent se projeter au même endroit.

**354 — Noah**

Sofia, je vais comparer les unités dans le programme. Les coordonnées de pixel et les focales sont en pixels, tandis que la profondeur fournit l’échelle métrique.

**355 — Sofia**

Kenji, si le capteur fournit la profondeur en millimètres, il faut la convertir correctement. Une erreur de facteur mille rendrait la reconstruction inutilisable.

**356 — Kenji**

Léa, je teste aussi une profondeur absente. Je ne la remplace pas arbitrairement par zéro, car zéro pourrait être interprété comme une position physique.

**357 — Léa**

Gabriel, je marque plutôt le point comme non valide et je l’exclus du calcul qui exige une profondeur. Le rapport indiquera combien de points restent.

**358 — Gabriel**

Amina, passons maintenant au repère de la base du robot. Dans un premier exemple simple, les axes sont alignés et la caméra est décalée de dix centimètres selon x.

**359 — Professeur Nibizi**

Appliquez cette translation au point reconstruit, puis dites clairement dans quel repère vous exprimez chaque résultat. Ne changez pas les noms sans effectuer la transformation.

**360 — Amina**

Lucas, X dans la base vaut alors zéro virgule douze plus zéro virgule dix : zéro virgule vingt-deux mètre, avec ce montage précis.

**361 — Lucas**

Amina, Y et Z restent inchangés dans cet exemple de translation selon x. Si la caméra était tournée, la rotation modifierait aussi les coordonnées.

**362 — Mei**

Samir, je dessine la pose de la caméra sur le châssis. Une transformation copiée depuis un autre montage pourrait être mathématiquement valide mais physiquement fausse.

**363 — Samir**

Chloé, je sélectionnerai ensuite dix pixels sur plusieurs objets. Je veux comparer leurs points reconstruits, pas seulement vérifier un calcul isolé.

**364 — Chloé**

Diego, certains pixels de la boîte de détection appartiennent au fond. Un masque de segmentation peut limiter ce mélange, mais il peut lui aussi contenir des erreurs.

**365 — Diego**

Priya, avant de calculer le centroïde, je vérifierai donc la sélection des pixels et la validité des profondeurs. Un centroïde n’est pas automatiquement le centre réel de l’objet.

**366 — Priya**

Noah, nous dégraderons ensuite l’éclairage dans la scène simulée. La détection peut changer même si le robot et le carton n’ont pas bougé.

**367 — Noah**

Sofia, j’observerai aussi ce qui arrive lorsque la profondeur contient des trous ou des valeurs aberrantes. Nous distinguerons ces défauts de ceux de l’image couleur.

**368 — Sofia**

Kenji, avec deux caméras, les correspondances peuvent devenir difficiles sur une surface uniforme. Ajouter une seconde caméra ne supprime pas toutes les ambiguïtés.

**369 — Kenji**

Léa, je garderai les images, la calibration et leurs horodatages. Gabriel pourra reconstruire le même nuage de points et comparer ses résultats aux miens.

**370 — Léa**

Amina, je présenterai le point caméra et le point base côte à côte. Ainsi, personne ne confondra un changement de repère avec un déplacement de l’objet.

**371 — Gabriel**

Lucas, notre dernière vérification portera sur l’instant associé à la profondeur. Une image récente combinée à une profondeur trop ancienne peut représenter deux scènes différentes.

**372 — Professeur Nibizi**

Votre dossier doit permettre de remonter du point final au pixel utilisé, à sa profondeur, à la calibration et à la transformation. C’est cette traçabilité qui rend le calcul vérifiable.

## 8 · Fusion multicapteur et pose

**141 — Gabriel**

Léa, le livre complet propose deux mesures indépendantes de la même grandeur : dix mètres avec variance quatre, et douze mètres avec variance un.

**142 — Léa**

Je leur donne des poids proportionnels à l’inverse des variances. Amina, les poids non normalisés sont donc un quart et un.

**143 — Amina**

En les normalisant, j’obtiens zéro virgule deux pour la première mesure et zéro virgule huit pour la seconde. Lucas, le résultat sera plus proche de douze.

**144 — Lucas**

Zéro virgule deux fois dix, plus zéro virgule huit fois douze : onze virgule six mètres. Mei, est-ce valable si les deux mesures partagent la même erreur ?

**145 — Mei**

Il faut alors tenir compte de leur corrélation, Lucas. La formule simple du livre suppose des mesures indépendantes ; sinon on peut surestimer l’information disponible.

**146 — Professeur Nibizi**

Très bien. Samir, notre état doit-il contenir seulement une position ? Pense à ce dont la mission a besoin pour décider.

**147 — Samir**

On peut y mettre position, vitesse et orientation pertinentes. Chloé, leur covariance décrit aussi les incertitudes et les relations entre erreurs.

**148 — Chloé**

Diego, nos encodeurs publient à cent hertz, l’IMU à deux cents et le LiDAR à dix. Les lignes n’arrivent pas une pour une.

**149 — Diego**

Je les replace dans une base temporelle commune avec leurs horodatages. Priya, des buffers permettent de garder les données utiles à cet alignement.

**150 — Priya**

Et pour des modèles non linéaires, l’EKF utilise une linéarisation locale. Noah, cela n’enlève ni les limites du modèle ni le besoin de vérifier la cohérence.

**151 — Noah**

Sofia, je coupe le LiDAR pendant quelques secondes dans la simulation. L’odométrie et l’IMU continuent, mais on perd une source de correction géométrique.

**152 — Sofia**

Je laisse l’incertitude évoluer en conséquence, Noah. Je ne conserve pas artificiellement le même niveau de confiance pendant la coupure.

**153 — Kenji**

Gabriel, je réintroduis le LiDAR. Avant de corriger fortement, je vérifie la cohérence de sa mesure pour éviter un saut non maîtrisé.

**154 — Gabriel**

Je peux rejeter une valeur physiquement impossible ou réduire la confiance selon un critère documenté. Mais je ne change pas les seuils juste pour embellir la courbe.

**155 — Léa**

Je compare alors référence, odométrie seule et fusion, Amina. Le rapport montrera aussi la période de panne et la récupération, pas seulement l’essai nominal.

**156 — Professeur Nibizi**

C’est ce que j’attends : des hypothèses explicites, des données synchronisées et une estimation dont vous pouvez justifier la confiance.

### Atelier 8 — Fusion, synchronisation et retour du LiDAR

**373 — Amina**

Lucas, reprenons les deux mesures indépendantes du livre. La première vaut dix mètres avec variance quatre ; la seconde douze mètres avec variance un.

**374 — Lucas**

Amina, la somme des précisions vaut un quart plus un, donc un virgule vingt-cinq. Son inverse donne zéro virgule huit mètre carré pour la variance fusionnée dans ce modèle.

**375 — Mei**

Samir, cette réduction dépend des hypothèses d’indépendance et de validité des variances. Nous ne devons pas l’annoncer automatiquement pour deux capteurs quelconques.

**376 — Samir**

Chloé, supposons maintenant que la seconde source devient moins précise et que sa variance passe à neuf mètres carrés. Son poids doit diminuer.

**377 — Chloé**

Diego, les précisions deviennent un quart et un neuvième. Après normalisation, la seconde mesure reçoit quatre treizièmes du poids total.

**378 — Diego**

Priya, l’estimation fusionnée se rapproche donc de dix mètres. Si le contexte change, conserver les anciens poids peut attribuer trop de confiance à une source dégradée.

**379 — Priya**

Noah, je veux aussi tester deux mesures qui partagent un même biais. Les fusionner ne garantit pas que ce biais disparaisse.

**380 — Noah**

Sofia, si on traite deux copies de la même information comme des observations indépendantes, on risque surtout d’annoncer une confiance excessive.

**381 — Sofia**

Kenji, notre tableau de provenance indiquera donc les capteurs, leurs modèles et les informations communes éventuelles. Cela aide à repérer les dépendances cachées.

**382 — Kenji**

Léa, passons au temps. Cent hertz correspond à une période d’un centième de seconde ; deux cents hertz à cinq millièmes.

**383 — Léa**

Gabriel, le LiDAR à dix hertz publie toutes les dixièmes de seconde. Entre deux scans, plusieurs mesures d’encodeur et d’IMU peuvent arriver.

**384 — Gabriel**

Amina, notre programme doit décider comment utiliser ces observations à leurs instants respectifs. Les numéros de ligne ne suffisent pas pour les synchroniser.

**385 — Professeur Nibizi**

Faites maintenant une expérience de décalage temporel. Gardez les mêmes valeurs, mais décalez les dates d’une source ; examinez si la fusion reste cohérente pendant le mouvement.

**386 — Amina**

Lucas, lorsque le robot tourne, une observation prise un peu plus tôt peut correspondre à une autre orientation. L’aligner au mauvais instant crée une incohérence géométrique.

**387 — Lucas**

Amina, j’ajoute donc une vérification des horloges et de leur base temporelle. Un horodatage ne devient comparable que si nous connaissons son origine.

**388 — Mei**

Samir, je coupe ensuite le LiDAR pendant trois secondes. Nous continuons à recevoir les informations de mouvement, mais nous perdons cette correction géométrique.

**389 — Samir**

Chloé, je n’envoie pas la dernière observation comme si elle venait d’être mesurée. Je conserve sa vraie date et l’état de santé correspondant.

**390 — Chloé**

Diego, la prédiction peut continuer selon le modèle, avec une incertitude qui évolue. Nous devons distinguer ce calcul d’une nouvelle observation de l’environnement.

**391 — Diego**

Priya, je compare l’odométrie seule à la fusion sur le même intervalle. Le graphique indiquera précisément le début et la fin de la coupure.

**392 — Priya**

Noah, au retour du LiDAR, je ne rétablis pas immédiatement une confiance maximale. Je commence par vérifier fraîcheur, plausibilité et cohérence.

**393 — Noah**

Sofia, une mesure très différente peut provenir d’une bonne correction d’une dérive ou d’une mauvaise observation. Le contexte et les contrôles décident du traitement.

**394 — Sofia**

Kenji, nous définirons donc les critères de rejet ou de réduction de confiance avant de regarder les résultats. Sinon, nous pourrions ajuster les règles après coup.

**395 — Kenji**

Léa, je mesure aussi le comportement pendant la récupération : évolution de l’erreur, de la covariance et éventuel saut de l’estimation.

**396 — Léa**

Gabriel, le dossier conservera les données rejetées et leurs raisons. Les supprimer sans trace empêcherait de comprendre les décisions de l’estimateur.

**397 — Gabriel**

Amina, pour terminer, une autre équipe rejouera nos logs avec les mêmes paramètres. Elle vérifiera la période nominale, la panne et le retour de la source.

**398 — Professeur Nibizi**

Votre comparaison doit montrer où la fusion apporte une information utile et où ses hypothèses deviennent fragiles. La robustesse se démontre aussi pendant les transitions.

## 9 · Santé des capteurs et modes dégradés

**157 — Amina**

Lucas, je prépare le contrat de santé du capteur. Pour le déclarer correct, une donnée récente ne suffit pas : il faut aussi plage physique et cohérence.

**158 — Lucas**

Mei, une dispersion excessive correspond à l’état bruité. Un décalage systématique suggère un biais ; ce ne sont pas les mêmes défauts.

**159 — Mei**

Samir, une donnée trop ancienne est périmée. Si je n’ai reçu aucune donnée, je note l’absence. Si la valeur est impossible, je la marque invalide.

**160 — Samir**

Chloé, je fige l’encodeur pendant trois secondes. Comment distinguer cette faute d’un robot réellement immobile ?

**161 — Chloé**

Je compare avec la commande et les autres observations. Une valeur constante n’est suspecte que dans son contexte ; à l’arrêt, elle peut être normale.

**162 — Diego**

Priya, je fais maintenant dériver progressivement le biais du gyroscope. Un simple détecteur de pics ne suffira pas à reconnaître ce décalage.

**163 — Priya**

Je confronte son évolution à une référence ou à des sources complémentaires. Noah, le test de cohérence doit correspondre au défaut recherché.

**164 — Noah**

Sofia, j’injecte une distance LiDAR négative dans notre modèle où les distances doivent être positives. Le contrôle de plausibilité doit la refuser.

**165 — Sofia**

Et je coupe complètement le flux caméra. Kenji, l’absence de nouvelles données doit déclencher un timeout défini à l’avance.

**166 — Kenji**

Léa, si une source manque, continuons-nous forcément la mission ? Le mode dégradé ne doit pas devenir une permission automatique d’avancer.

**167 — Léa**

Non, Kenji. On continue seulement si la stratégie et les capacités restantes le permettent. On peut réduire les performances, adapter les marges ou demander l’arrêt.

**168 — Gabriel**

Professeur, je distingue donc l’état d’un capteur et le mode du système. Une panne locale peut entraîner une décision globale.

**169 — Professeur Nibizi**

Exact, Gabriel. Il faut détecter, isoler la source et réagir. Puis vérifier la récupération : recevoir à nouveau une donnée ne suffit pas à tout rétablir sans contrôle.

**170 — Amina**

Lucas, je rétablis le capteur, puis je contrôle fraîcheur, plausibilité et cohérence avant de revenir au mode normal.

**171 — Lucas**

Je garde le temps de détection et la trace de la réaction. Mei pourra vérifier que nos seuils fonctionnent aussi sur les essais où il n’y a pas de panne.

**172 — Mei**

Ainsi, notre rapport montrera les défauts détectés, mais aussi les fausses alertes. On ne juge pas un diagnostic sur un seul exemple réussi.

### Atelier 9 — Diagnostiquer sans confondre les défauts

**399 — Amina**

Lucas, je veux commencer par un piège : le robot est immobile et les ticks d’encodeur ne changent pas. Est-ce forcément un capteur figé en panne ?

**400 — Lucas**

Non, Amina. Dans ce contexte, la stabilité peut être normale. Je dois confronter la mesure au mouvement attendu et aux autres observations disponibles.

**401 — Mei**

Samir, je lance ensuite une commande de déplacement dans la simulation, mais je maintiens artificiellement la valeur de l’encodeur pendant trois secondes.

**402 — Samir**

Chloé, l’incohérence devient plus intéressante. Pourtant, une commande seule ne prouve pas que le robot a réellement bougé ; un moteur peut aussi ne pas répondre.

**403 — Chloé**

Diego, nous cherchons donc des indices complémentaires. Une observation géométrique ou inertielle peut aider à distinguer les hypothèses, avec ses propres limites.

**404 — Diego**

Priya, je vais noter les hypothèses possibles plutôt que d’annoncer une cause certaine dès la première alerte. Le diagnostic peut nécessiter plusieurs contrôles.

**405 — Priya**

Noah, passons à un bruit excessif. Les mesures changent beaucoup autour du centre ; un test sur la dispersion peut détecter ce comportement.

**406 — Noah**

Sofia, un biais progressif peut au contraire produire une courbe assez lisse mais décalée. Le même test de dispersion risque de le manquer.

**407 — Sofia**

Kenji, nous devons comparer ce décalage à une référence ou à des observations cohérentes. Voilà pourquoi les catégories de faute demandent des indices différents.

**408 — Kenji**

Léa, j’injecte maintenant une distance négative alors que notre modèle n’admet que des distances positives. Le contrôle de plausibilité peut refuser cette donnée.

**409 — Léa**

Gabriel, une erreur de format ou d’unité peut aussi rendre un message invalide. Il faut contrôler la structure avant d’utiliser sa valeur dans un calcul.

**410 — Gabriel**

Amina, notre journal indiquera le test échoué et l’instant de l’alerte. Une étiquette rouge sans explication ne suffirait pas à analyser l’essai.

**411 — Professeur Nibizi**

Définissez maintenant un timeout pour cette simulation, puis testez de part et d’autre de la limite. Distinguez la politique choisie de la précision réellement mesurée.

**412 — Amina**

Lucas, nous choisissons une demi-seconde pour l’exercice. Une donnée âgée de zéro virgule quatre seconde passe ce contrôle de fraîcheur, mais pas forcément tous les autres.

**413 — Lucas**

Amina, à zéro virgule six seconde, elle dépasse la limite et devient périmée selon notre règle. Je garde le seuil dans les paramètres du test.

**414 — Mei**

Samir, si les retards normaux fluctuent, un seuil mal choisi peut produire beaucoup de fausses alertes. Nous devons observer aussi les périodes sans faute.

**415 — Samir**

Chloé, je compte les alertes attendues, les fautes manquées et les alertes injustifiées. Le temps de détection compte également pour juger la réaction.

**416 — Chloé**

Diego, après détection, nous isolons la source concernée. Mais retirer cette source peut réduire les capacités de localisation ou de perception du système.

**417 — Diego**

Priya, le mode dégradé devra donc annoncer ses limites. Selon la mission, il peut réduire la vitesse, augmenter les marges ou demander l’arrêt.

**418 — Priya**

Noah, nous ne choisirons pas cette stratégie au hasard pendant l’incident. Elle doit être définie et testée avant l’épreuve finale.

**419 — Noah**

Sofia, je rétablis ensuite le flux interrompu. Une nouvelle donnée arrive, mais je veux vérifier qu’elle est récente et physiquement plausible.

**420 — Sofia**

Kenji, je vérifie aussi sa cohérence avec les autres sources. Un capteur peut reprendre ses messages tout en conservant un biais ou une mauvaise calibration.

**421 — Kenji**

Léa, notre retour au mode normal sera donc une étape contrôlée. Nous suivrons ce qui change dans l’estimation et dans les performances autorisées.

**422 — Léa**

Gabriel, je prépare un tableau avec faute injectée, alerte, délai, source isolée, réaction et résultat de récupération. Chaque ligne correspondra à un essai reproductible.

**423 — Gabriel**

Amina, nous échangerons enfin nos dossiers avec une autre équipe. Elle tentera de provoquer une fausse alerte avec une situation normale que nous avons oubliée.

**424 — Professeur Nibizi**

Ce contre-test fait partie du travail. Un diagnostic solide doit détecter les situations dangereuses sans confondre systématiquement les comportements ordinaires avec des pannes.

## 10 · Projet intégrateur et validation

**173 — Samir**

Chloé, notre mission finale part de la zone A pour rejoindre B en évitant les obstacles. Il faut construire une carte ou utiliser une carte connue.

**174 — Chloé**

Diego, notre équipement minimal réunit encodeurs, IMU et une source géométrique : LiDAR ou caméra de profondeur. On justifie chaque rôle dans la chaîne.

**175 — Diego**

Priya, chaque message gardera son horodatage, son unité, son repère et son état de santé. Sinon, la fusion recevra des nombres difficiles à interpréter.

**176 — Priya**

Et l’estimateur publiera la pose et les autres variables utiles, avec leur covariance. Noah, les limites doivent rester visibles pendant la mission.

**177 — Noah**

Sofia, commençons par l’autotest : disponibilité et plausibilité. Ensuite, vérifions les calibrations, puis les horodatages et les latences.

**178 — Sofia**

Kenji, on démarre ensuite l’estimation et on contrôle la covariance. Puis on charge ou construit la carte en confirmant le repère utilisé.

**179 — Kenji**

Léa, après ces vérifications, on exécute la mission nominale. Mais l’épreuve finale doit aussi contenir les défauts prévus.

**180 — Léa**

Gabriel, nous injecterons au moins trois fautes : perte du LiDAR, biais de l’IMU et encodeur figé. Chaque essai doit avoir une réaction attendue.

**181 — Gabriel**

Amina, je vérifierai l’isolement de la source et l’adaptation du mode dégradé. On comparera aussi la récupération après restauration.

**182 — Amina**

Lucas, définissons nos critères avant le test : erreurs admissibles, temps de détection et comportement attendu. Les valeurs doivent correspondre à notre mission.

**183 — Lucas**

Je consigne les paramètres, la graine de simulation et les versions utilisées. Mei, tu dois pouvoir reproduire l’essai à partir de mon dossier.

**184 — Mei**

Et je compare trajectoire demandée, trajectoire réalisée et référence. J’ajoute les périodes de défaut pour relier les erreurs aux événements.

**185 — Professeur Nibizi**

Avant de présenter, vérifiez vos preuves : code, données, rapport, démonstration vidéo et explication orale. Samir, une animation seule suffit-elle à valider le robot ?

**186 — Samir**

Non, professeur. Nous devons montrer les résultats mesurés dans le cadre du test, expliquer nos hypothèses et reconnaître les limites de la simulation.

**187 — Chloé**

Diego, notre chaîne complète devient mesurer, calibrer, synchroniser, estimer et quantifier l’incertitude ; puis fusionner, surveiller, récupérer et valider.

**188 — Diego**

Et à chaque résultat, Priya pourra demander : d’où vient cette estimation, à quel instant, dans quel repère, avec quelle incertitude ?

**189 — Priya**

J’ajouterai : que fait le système si l’un des capteurs devient non fiable ? Sans cette réponse, notre démonstration n’est pas terminée.

**190 — Professeur Nibizi**

Présentez maintenant vos essais par équipes, puis échangez les dossiers pour les reproduire. Chacun devra défendre un calcul, une décision et une limite du système.

### Atelier 10 — Épreuve finale et revue entre équipes

**425 — Amina**

Lucas, avant notre mission finale, je veux relire les critères d’acceptation. Ils doivent être fixés avant de connaître les résultats, sinon nous pourrions déplacer les objectifs.

**426 — Lucas**

Amina, notre dossier précise le parcours de A vers B, les obstacles simulés et les conditions de l’essai. Une autre équipe doit pouvoir reconstruire le même environnement.

**427 — Mei**

Samir, je prépare l’autotest des sources. Il vérifie disponibilité et plausibilité, puis produit une trace plutôt qu’un simple voyant que personne ne peut expliquer.

**428 — Samir**

Chloé, nous chargeons ensuite les calibrations et vérifions qu’elles correspondent au montage utilisé. Un fichier correct pour un autre robot ne suffit pas.

**429 — Chloé**

Diego, la synchronisation contrôle les horodatages, les bases temporelles et les latences. Je veux pouvoir relier chaque résultat à l’instant où ses données ont été acquises.

**430 — Diego**

Priya, nous démarrons l’estimation et vérifions l’état publié avec sa covariance. Une position sans indication de qualité ne remplit pas notre contrat.

**431 — Priya**

Noah, nous chargeons ensuite la carte ou nous la construisons, en confirmant le repère. Le planificateur ne doit pas recevoir des obstacles exprimés ailleurs.

**432 — Noah**

Sofia, la première mission se déroule sans faute injectée. Elle fournit le témoin nominal auquel nous comparerons les essais perturbés.

**433 — Sofia**

Kenji, je garde la trajectoire demandée, la trajectoire réalisée dans la simulation et la référence. Ces trois informations ne doivent pas être fusionnées dans un seul fichier ambigu.

**434 — Kenji**

Léa, je prépare les essais de perte LiDAR, de biais IMU et d’encodeur figé. Les instants d’injection seront consignés pour pouvoir mesurer les délais de détection.

**435 — Léa**

Gabriel, pour chaque faute, je note aussi la réaction attendue. Nous pourrons vérifier si le système applique réellement la stratégie annoncée avant le test.

**436 — Gabriel**

Amina, nous restaurons enfin la source et observons la récupération. Un essai ne se termine pas au moment où l’alerte apparaît.

**437 — Professeur Nibizi**

Je vais jouer le rôle de l’équipe qui reçoit votre dossier. Montrez-moi un résultat numérique, le critère auquel vous le comparez et les preuves permettant de le reproduire.

**438 — Amina**

Lucas, dans un point de contrôle, la référence vaut deux mètres et notre estimation deux virgule zéro six. L’erreur signée vaut plus six centimètres.

**439 — Lucas**

Amina, je calcule également l’erreur absolue pour le critère qui porte sur la distance à la référence. Le signe reste utile pour analyser un décalage systématique.

**440 — Mei**

Samir, si notre limite pédagogique est cinq centimètres pour ce point, le résultat échoue. Nous ne changeons pas la limite à six centimètres après avoir vu l’erreur.

**441 — Samir**

Chloé, nous cherchons alors la cause dans les données et les hypothèses. La bonne réaction consiste à expliquer l’échec et à proposer un nouvel essai contrôlé.

**442 — Chloé**

Diego, si nous modifions un paramètre, nous sauvegardons la nouvelle configuration. Les résultats avant et après correction doivent rester distinguables.

**443 — Diego**

Priya, je conserve aussi les graines de simulation et les versions du code. Une différence de résultat peut sinon venir d’un autre tirage ou d’une autre implémentation.

**444 — Priya**

Noah, notre vidéo montrera les événements importants et les mesures correspondantes. Elle accompagne les preuves ; elle ne remplace pas les journaux et les calculs.

**445 — Noah**

Sofia, le rapport présentera les succès, les échecs, les limites et les améliorations envisagées. Cacher un cas difficile empêcherait une autre équipe de juger correctement notre système.

**446 — Sofia**

Kenji, je te confie mon dossier sans mon ordinateur. Tu vérifieras si les fichiers nécessaires et les instructions suffisent pour reproduire l’essai.

**447 — Kenji**

Léa, si une dépendance ou une unité manque, je la signalerai précisément. Cette relecture peut révéler un défaut de traçabilité même lorsque le calcul principal est correct.

**448 — Léa**

Gabriel, je vérifierai enfin que chaque membre peut expliquer une décision. Notre présentation ne doit pas dépendre d’une seule personne qui connaît tout le projet.

**449 — Gabriel**

Amina, nous répartissons donc calcul, synchronisation, fusion, diagnostic, récupération et validation. Chacun répondra aussi à une question sur une autre partie du travail.

**450 — Professeur Nibizi**

Vous avez maintenant un parcours complet, de la mesure à la décision vérifiable. Présentez vos résultats, écoutez les objections et justifiez ce que votre robot sait, ignore et fait lorsqu’une source devient non fiable.