On peut entra\u00eener un perceptron \u00e0 5 entr\u00e9es qui d\u00e9cide si le robot peut avancer, puis utiliser les capteurs pour d\u00e9terminer le sens de rotation lorsqu’il ne peut pas avancer.<\/p>\n
#!\/usr\/bin\/python3import MR25 # Biblioth\u00e8que de contr\u00f4le du robot MR25import time # Pour les pauses dans la boucle principale# ============================================================# PERCEPTRON \u2014 Neurone artificiel \u00e0 seuil# ============================================================# Un perceptron calcule une somme pond\u00e9r\u00e9e de ses entr\u00e9es,# puis applique une fonction d'activation pour d\u00e9cider : 0 ou 1.def activation(x): """Fonction d'activation en \u00e9chelon (step function). Retourne 1 si x >= 0 (voie libre), 0 sinon (obstacle).""" return 1 if x >= 0 else 0# 5 poids \u2014 un par capteur de proximit\u00e9 (c1 \u00e0 c5)w = [0.0, 0.0, 0.0, 0.0, 0.0]b = 0.0 # Biais : ajuste le seuil de d\u00e9cisioneta = 0.1 # Taux d'apprentissage (learning rate) : amplitude des corrections# ============================================================# DONN\u00c9ES D'ENTRA\u00ceNEMENT# ============================================================# Chaque exemple est un couple ([c1,c2,c3,c4,c5], \u00e9tiquette)# Les valeurs des capteurs sont normalis\u00e9es entre 0.0 et 1.0 :# - Proche de 0.0 \u2192 obstacle d\u00e9tect\u00e9 (capteur satur\u00e9)# - Proche de 1.0 \u2192 voie d\u00e9gag\u00e9e (capteur \u00e0 port\u00e9e max)# \u00c9tiquette : 0 = obstacle \u2192 s'arr\u00eater\/tourner, 1 = avancertraining_data = [ # --- Cas OBSTACLE : capteurs faibles (obstacles proches) --- ([0.1, 0.1, 0.1, 0.1, 0.1], 0), # Obstacles partout ([0.2, 0.2, 0.2, 0.2, 0.2], 0), # Obstacles proches ([0.3, 0.2, 0.1, 0.2, 0.3], 0), # Obstacle central fort ([0.2, 0.2, 0.2, 0.8, 0.8], 0), # Obstacles proches ([0.8, 0.8, 0.2, 0.2, 0.2], 0), # Obstacles proches # --- Cas AVANCER : capteurs forts (voie libre) --- ([0.8, 0.8, 0.8, 0.8, 0.8], 1), # Voie totalement libre ([0.9, 0.8, 0.9, 0.8, 0.9], 1), # Voie tr\u00e8s d\u00e9gag\u00e9e ([0.7, 0.9, 0.8, 0.9, 0.7], 1), # Voie d\u00e9gag\u00e9e (l\u00e9g\u00e8re variation)]# ============================================================# PHASE D'APPRENTISSAGE \u2014 R\u00e8gle de Hebb \/ Perceptron# ============================================================# Pour chaque exemple, on calcule la sortie et on corrige les# poids proportionnellement \u00e0 l'erreur : \u0394w = \u03b7 \u00d7 erreur \u00d7 entr\u00e9efor epoch in range(100): # Maximum 100 passes sur les donn\u00e9es erreur_totale = 0 for inputs, target in training_data: # Calcul de la somme pond\u00e9r\u00e9e : s = \u03a3(wi \u00d7 xi) + b s = sum(wi * xi for wi, xi in zip(w, inputs)) + b # Application de la fonction d'activation y = activation(s) # Erreur = diff\u00e9rence entre valeur attendue et valeur calcul\u00e9e erreur = target - y # 0, +1 ou -1 # Mise \u00e0 jour des poids : correction proportionnelle \u00e0 l'erreur for i in range(5): w[i] += eta * erreur * inputs[i] # Mise \u00e0 jour du biais (entr\u00e9e fictive toujours \u00e9gale \u00e0 1) b += eta * erreur erreur_totale += abs(erreur) # Arr\u00eat anticip\u00e9 si le perceptron classe tout correctement if erreur_totale == 0: break# Affichage des param\u00e8tres apprisprint("Poids :", w)print("Biais :", b)# ============================================================# PILOTAGE EN TEMPS R\u00c9EL \u2014 Boucle principale# ============================================================SEUIL_MAX = 250.0 # Distance maximale de d\u00e9tection (en cm ou unit\u00e9 capteur) # Au-del\u00e0, on consid\u00e8re la voie comme libretry: while True: # --- Lecture et normalisation des 5 capteurs de proximit\u00e9 --- # proxSensor(n) retourne une valeur brute ; on la plafonne \u00e0 SEUIL_MAX, # puis on divise pour obtenir un ratio entre 0.0 et 1.0 p1 = MR25.proxSensor(1) p2 = MR25.proxSensor(2) p3 = MR25.proxSensor(3) p4 = MR25.proxSensor(4) p5 = MR25.proxSensor(5) capteurs = [p1, p2, p3, p4, p5] print(capteurs) c1 = min(p1, SEUIL_MAX) \/ SEUIL_MAX # Capteur avant-gauche extr\u00eame c2 = min(p2, SEUIL_MAX) \/ SEUIL_MAX # Capteur avant-gauche c3 = min(p3, SEUIL_MAX) \/ SEUIL_MAX # Capteur avant-centre c4 = min(p4, SEUIL_MAX) \/ SEUIL_MAX # Capteur avant-droite c5 = min(p5, SEUIL_MAX) \/ SEUIL_MAX # Capteur avant-droite extr\u00eame entree = [c1, c2, c3, c4, c5] print(entree) # --- Inf\u00e9rence : le perceptron d\u00e9cide d'avancer ou non --- s = sum(wi * xi for wi, xi in zip(w, entree)) + b print("s = ", s) avance = activation(s) # 1 = avancer, 0 = \u00e9viter l'obstacle print("avance = ", avance) if avance: # Voie libre \u2192 avancer \u00e0 vitesse mod\u00e9r\u00e9e MR25.forward(25) print("AVANCE") else: # Obstacle d\u00e9tect\u00e9 \u2192 choisir le c\u00f4t\u00e9 le plus d\u00e9gag\u00e9 pour tourner gauche = c1 + c2 # Score d'espace \u00e0 gauche (somme des 2 capteurs gauches) droite = c4 + c5 # Score d'espace \u00e0 droite (somme des 2 capteurs droits) # Le c\u00f4t\u00e9 avec le score le plus \u00e9lev\u00e9 est le plus d\u00e9gag\u00e9 if gauche > droite: MR25.turnLeft(40) # Plus d'espace \u00e0 gauche \u2192 tourner \u00e0 gauche print("TOURNE GAUCHE") else: MR25.turnRight(40) # Plus d'espace \u00e0 droite (ou \u00e9galit\u00e9) \u2192 tourner \u00e0 droite print("TOURNE DROITE") time.sleep(0.2) # Pause except KeyboardInterrupt: # Arr\u00eat propre du robot lors d'une interruption clavier (Ctrl+C) MR25.stop()# en of file<\/code><\/pre> <\/div> <\/div>\n
Le neurone perceptron simple est un mod\u00e8le de pr\u00e9diction lin\u00e9aire. Il est n\u00e9cessaire d’utiliser plusieurs couches (r\u00e9seau) pour r\u00e9soudre des probl\u00e8mes plus complexes.<\/p>\n
Fin !<\/p>\n","protected":false},"excerpt":{"rendered":"
Pr\u00e9sentation Dans cet article nous allons apprendre au robot MR25 \u00e0 \u00e9viter les obstacles en utilisant un neurone perception avec 5 entr\u00e9es. Avec les 5 capteurs du robot, il est pr\u00e9f\u00e9rable de ne plus simplement d\u00e9cider avance \/ stop comme dans la partie n\u00b01, mais aussi de choisir une direction lorsque l’on d\u00e9tecte un obstacle. …<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[108,46,26],"tags":[],"class_list":["post-3675","post","type-post","status-publish","format-standard","hentry","category-ia","category-robot","category-tutoriel"],"_links":{"self":[{"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=\/wp\/v2\/posts\/3675","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3675"}],"version-history":[{"count":1,"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=\/wp\/v2\/posts\/3675\/revisions"}],"predecessor-version":[{"id":3676,"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=\/wp\/v2\/posts\/3675\/revisions\/3676"}],"wp:attachment":[{"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3675"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3675"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.macerobotics.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3675"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"http:\/\/fr.macerobotics.com\/wp-content\/uploads\/sites\/4\/2026\/06\/Capture-decran-2026-06-04-191743.png\")
<\/a><\/p>\n