{"id":1479,"date":"2025-11-23T22:07:49","date_gmt":"2025-11-23T21:07:49","guid":{"rendered":"https:\/\/edu.ge.ch\/site\/robotic\/?page_id=1479"},"modified":"2026-06-22T22:38:16","modified_gmt":"2026-06-22T21:38:16","slug":"robot-so-arm101","status":"publish","type":"page","link":"https:\/\/edu.ge.ch\/site\/robotic\/robot-so-arm101\/","title":{"rendered":"robot SO-ARM101"},"content":{"rendered":"
\n
\n\n\n
\n

Robot SO-ARM 101 : robotique \u00e9ducative, programmation et intelligence artificielle<\/h1>\n

Le projet SO-ARM 101 propose une progression p\u00e9dagogique compl\u00e8te pour d\u00e9couvrir la robotique moderne \u00e0 partir d\u2019un exemple concret : apprendre \u00e0 un robot \u00e0 reproduire un geste \u00e0 partir de d\u00e9monstrations. \u00c0 l\u2019aide de deux bras robotiques, de deux cam\u00e9ras, de scripts Python et d\u2019un mod\u00e8le d\u2019intelligence artificielle, on explore toute la cha\u00eene qui m\u00e8ne d\u2019un geste humain \u00e0 un comportement autonome \u2014 comment un geste devient une donn\u00e9e, puis comment cette donn\u00e9e apprend au robot \u00e0 agir seul.<\/p>\n

SO-ARM 101 rend la robotique intelligente visible, manipulable et enseignable. Il s\u2019adresse en priorit\u00e9 au secondaire II et \u00e0 l\u2019enseignement sup\u00e9rieur, ainsi qu\u2019\u00e0 la formation du corps enseignant, tout en restant accessible \u00e0 toute personne souhaitant aborder concr\u00e8tement la robotique, la programmation, les donn\u00e9es et l\u2019intelligence artificielle.<\/p>\n

Le projet est d\u00e9velopp\u00e9 par le Service \u00c9coles-M\u00e9dias (SEM) du D\u00e9partement de l\u2019Instruction Publique (DIP), Gen\u00e8ve.<\/p>\n

Acc\u00e9der au d\u00e9p\u00f4t GitHub<\/a><\/p>\n<\/td>\n

\n
\n \"Bras
\n <\/a><\/p>\n

Bras Leader et Follower du projet SO-ARM 101<\/em><\/p>\n<\/td>\n<\/tr>\n<\/table><\/div>\n

Le principe g\u00e9n\u00e9ral<\/h2>\n

Le syst\u00e8me repose sur deux bras SO-ARM 101. Le bras Leader<\/strong>, manipul\u00e9 par l\u2019humain, sert \u00e0 montrer le geste. Le bras Follower<\/strong> le reproduit en temps r\u00e9el. Pendant cette phase, deux cam\u00e9ras enregistrent la sc\u00e8ne : une cam\u00e9ra globale, qui observe l\u2019ensemble de la zone de travail, et une cam\u00e9ra plac\u00e9e pr\u00e8s de la pince.<\/p>\n

Les d\u00e9monstrations enregistr\u00e9es forment un dataset<\/em>, c\u2019est-\u00e0-dire l\u2019ensemble des exemples \u00e0 partir desquels le robot va apprendre. Ce dataset sert \u00e0 entra\u00eener un mod\u00e8le d\u2019apprentissage par imitation : plut\u00f4t que d\u2019\u00eatre programm\u00e9 \u00e9tape par \u00e9tape, le robot apprend en imitant les exemples montr\u00e9s par l\u2019humain. Le projet utilise pour cela un type de mod\u00e8le con\u00e7u pour la robotique, appel\u00e9 ACT (Action Chunking Transformers<\/em>).<\/p>\n

Une fois entra\u00een\u00e9, le mod\u00e8le est d\u00e9ploy\u00e9 sur le robot. Le bras Follower n\u2019est alors plus guid\u00e9 directement : il s\u2019appuie sur les cam\u00e9ras et sur ce qu\u2019il a appris pour r\u00e9aliser la t\u00e2che de mani\u00e8re autonome.<\/p>\n

La t\u00e2che de r\u00e9f\u00e9rence<\/h2>\n

La t\u00e2che de r\u00e9f\u00e9rence est volontairement simple : le robot doit attraper un cube<\/strong> pos\u00e9 sur le plateau, puis le d\u00e9poser dans une bo\u00eete. Le cube est pr\u00e9sent\u00e9 \u00e0 cinq positions<\/strong> diff\u00e9rentes (centre, libre, haut, gauche, droite), et l\u2019on enregistre dix d\u00e9monstrations par position, soit cinquante au total<\/strong>.<\/p>\n

Cette t\u00e2che, simple en apparence, permet d\u2019aborder plusieurs questions essentielles : la pr\u00e9cision du geste, la qualit\u00e9 des d\u00e9monstrations, la coh\u00e9rence entre ce que le robot voit pendant l\u2019enregistrement et pendant le d\u00e9ploiement, la construction d\u2019un dataset exploitable, l\u2019entra\u00eenement d\u2019un mod\u00e8le, et le passage d\u2019un contr\u00f4le humain \u00e0 un comportement autonome.<\/p>\n

Ce que l\u2019on peut travailler avec les \u00e9l\u00e8ves<\/h2>\n\n\n\n\n
\n

Robotique<\/h3>\n

Les servomoteurs, les articulations, la calibration, les limites m\u00e9caniques, la t\u00e9l\u00e9op\u00e9ration et les questions de s\u00e9curit\u00e9 li\u00e9es au mouvement d\u2019un robot r\u00e9el.<\/p>\n<\/td>\n

\n

Programmation<\/h3>\n

Des scripts Python pour configurer les servomoteurs, communiquer avec le robot, g\u00e9rer les cam\u00e9ras, enregistrer les donn\u00e9es, entra\u00eener le mod\u00e8le et d\u00e9ployer le robot.<\/p>\n<\/td>\n<\/tr>\n

\n

Donn\u00e9es<\/h3>\n

Les d\u00e9monstrations deviennent un dataset. Les \u00e9l\u00e8ves d\u00e9couvrent pourquoi la qualit\u00e9 des donn\u00e9es est d\u00e9terminante pour l\u2019apprentissage d\u2019un mod\u00e8le.<\/p>\n<\/td>\n

\n

Vision<\/h3>\n

Les deux cam\u00e9ras permettent d\u2019aborder le cadrage, la zone utile et la coh\u00e9rence entre entra\u00eenement et d\u00e9ploiement, ainsi que le r\u00f4le de l\u2019image dans le comportement du robot.<\/p>\n<\/td>\n<\/tr>\n

\n

Intelligence artificielle<\/h3>\n

L\u2019apprentissage par imitation : le robot apprend \u00e0 partir d\u2019exemples fournis par l\u2019humain, puis tente de reproduire la t\u00e2che de fa\u00e7on autonome.<\/p>\n<\/td>\n

\n

D\u00e9marche scientifique<\/h3>\n

Une approche exp\u00e9rimentale : tester, observer, corriger, comparer, documenter et am\u00e9liorer progressivement le syst\u00e8me.<\/p>\n<\/td>\n<\/tr>\n<\/table>\n

Avant de commencer : se procurer et fabriquer le robot<\/h2>\n

Avant d\u2019aborder le logiciel (phases 1 \u00e0 10), il faut r\u00e9unir le mat\u00e9riel, fabriquer les bras et pr\u00e9parer le plateau de la t\u00e2che.<\/p>\n

Le mat\u00e9riel n\u00e9cessaire<\/h3>\n