Discussion :

[Patrick Ruiz]

« La guerre moderne ne peut être gagnée sans artifices logiciels », d’après un responsable de Palantir
Qui permet de comprendre l’actuel tableau fait de course à l’armement piloté par l’IA

« La guerre moderne ne peut être gagnée sans artifices logiciels », d’après un responsable de Palantir. La sortie intervient dans un contexte de course à l’armement piloté par l’intelligence artificielle. Tous les pays sont lancés dans le développement d’armes animées par des intelligences artificielles. L’on assiste en parallèle à des protestations contre l’utilisation de l’intelligence artificielle sur les champs de bataille.

L’intelligence artificielle est considérée comme la clé d’un futur dans lequel chaque nation se voit comme dominatrice sur les autres. Vladimir Poutine l’a souligné sans détour : « L’intelligence artificielle est le futur, pas seulement pour la Russie, mais pour toute l’humanité. Avec elle, arrivent d’énormes opportunités, mais également des menaces qu’il est difficile de prédire. Celui qui réussira à s’imposer comme leader dans cette sphère sera le maître du monde. » C’est de maîtrise du monde dont il est question et elle passe par l’intelligence artificielle.

.@PalantirTech EVP: "Modern war cannot be won without software"

Noam Perski was speaking at the inaugural DefenseTech Summit in Tel Aviv. For the first time in Israel, a two-day summit was hosted celebrating all things cyber, digital, and war.https://t.co/b4AoMLPN7u

— CTech (@Calcalistech) December 11, 2024

Palantir a déjà fait la démonstration d'une intelligence artificielle capable de faire la guerre en élaborant des stratégies de défense et d'attaque
Palantir est un éditeur de logiciels spécialisé dans l'analyse, l'intégration et la présentation de grandes quantités de données pour divers secteurs tels que la finance, la santé et le gouvernement. L'entreprise vend déjà ses services de surveillance intérieure aux services de l'immigration et des douanes des États-Unis. Elle a déjà publié une vidéo de démonstration de sa dernière offre, la Palantir Artificial Intelligence Platform (AIP). C'est une plateforme conçue pour intégrer de grands modèles de langage comme GPT-4 d'OpenAI ou BERT de Google dans des réseaux privés.

Dans une vidéo de démonstration, un opérateur militaire chargé de la surveillance du théâtre d'Europe de l'Est découvre que des forces ennemies se massent près de la frontière et réagit en demandant à un assistant numérique de type ChatGPT de l'aider à déployer des drones de reconnaissance, à élaborer des réponses tactiques à l'agression perçue et même à organiser le brouillage des communications de l'ennemi.

L'AIP aide à estimer la composition et les capacités de l'ennemi en lançant un drone Reaper en mission de reconnaissance en réponse à la demande de l'opérateur qui souhaite obtenir de meilleures images, et en suggérant des réponses appropriées à la découverte d'un élément blindé. « Il demande quelles sont les unités ennemies présentes dans la région et s'appuie sur l'IA pour élaborer une formation d'unités probable. Il demande à l'IA de prendre des photos. Elle lance un drone Reaper MQ-9 pour prendre les photos et l'opérateur découvre la présence d'un char T-80, un véhicule russe de l'ère soviétique, à proximité des forces amies », explique la vidéo.

L'opérateur demande alors aux robots ce qu'ils doivent faire. « L'opérateur utilise l'AIP pour générer trois plans d'action possibles afin de cibler l'équipement ennemi. Il utilise ensuite l'AIP pour envoyer automatiquement ces options à la chaîne de commandement. Les options comprennent l'attaque du char avec un F-16, de l'artillerie à longue portée ou des missiles Javelin », explique la vidéo. Selon les commentaires de la vidéo, l'IA indiquera même à chacun si les troupes à proximité disposent de suffisamment de Javelins pour mener à bien la mission et automatisera les systèmes de brouillage. De nombreux critiques affirment que l'idée est dangereuse.

« Les LLM et les algorithmes doivent être contrôlés dans ce contexte hautement réglementé et sensible afin de garantir qu'ils sont utilisés de manière légale et éthique », commence la vidéo. Pour ce faire, le fonctionnement de l'AIP repose sur trois "piliers clés", le premier étant que l'AIP se déploiera dans un système classifié, capable d'analyser en temps réel des données classifiées et non classifiées, de manière éthique et légale. Toutefois, l'entreprise n'a pas précisé comment cela fonctionnerait. Le deuxième pilier évoqué par la vidéo est que les utilisateurs seront en mesure de modifier la portée et les actions de chaque LLM et de chaque actif du réseau.

La vidéo de la démo indique que l'AIP lui-même générera un enregistrement numérique sécurisé de l'ensemble de l'opération. Selon l'entreprise, "cela est crucial pour atténuer les risques juridiques, réglementaires et éthiques importants dans les environnements sensibles et classifiés". Le troisième pilier est constitué par les "garde-fous" de l'AIP, à la pointe de l'industrie, qui empêchent le système de prendre des mesures non autorisées. Il y a "un humain dans la boucle" pour empêcher de telles actions dans le scénario de Palantir. En outre, la démo ne précise pas les mesures prises pour empêcher les LLM sur lesquels le système s'appuie d'halluciner.

La course à l’armement piloté par l’intelligence artificielle est bel et bien effective à l’échelle mondiale

L'armée chinoise a dévoilé un nouveau type de compagnon de combat pour ses soldats : un robot-chien avec une mitrailleuse attachée à son dos. Dans une vidéo diffusée par l'agence de presse gouvernementale CCTV, on voit des membres des militaires chinois opérer sur un champ de tir aux côtés d'un robot à quatre pattes sur lequel est monté ce qui semble être une variante du fusil d'assaut QBZ-95 de 5,8 x 42 mm, dans le cadre des récents exercices militaires conjoints Golden Dragon 24 menés par la Chine et le Cambodge dans le golfe de Thaïlande.

Ces robots s’appuient à la base sur des applications de détection et suivi d’objets. Dans ce cas, il y a au préalable collecte des images provenant de caméras avant puis détection d’objet sur une classe spécifiée. Cette détection utilise Tensorflow via le tensorflow_object_detector. Le robot accepte n'importe quel modèle Tensorflow et permet au développeur de spécifier un sous-ensemble de classes de détection incluses dans le modèle. Il effectue cet ensemble d'opérations pour un nombre prédéfini d'itérations, en bloquant pendant une durée prédéfinie entre chaque itération. L'application détermine ensuite l'emplacement de la détection la plus fiable de la classe spécifiée et se dirige vers l'objet.

L’application est organisée en trois ensembles de processus Python communiquant avec le robot Spot. Le diagramme des processus est illustré ci-dessous. Le processus principal communique avec le robot Spot via GRPC et reçoit constamment des images. Ces images sont poussées dans la RAW_IMAGES_QUEUE et lues par les processus Tensorflow. Ces processus détectent des objets dans les images et poussent l'emplacement dans PROCESSED_BOXES_QUEUE. Le thread principal détermine alors l'emplacement de l'objet et envoie des commandes au robot pour qu'il se dirige vers l'objet.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
# Copyright (c) 2023 Boston Dynamics, Inc.  All rights reserved.  
#  
# Downloading, reproducing, distributing or otherwise using the SDK Software  
# is subject to the terms and conditions of the Boston Dynamics Software  
# Development Kit License (20191101-BDSDK-SL).  
 
"""Tutorial to show how to use the Boston Dynamics API to detect and follow an object"""  
import argparse  
import io  
import json  
import math  
import os  
import signal  
import sys  
import time  
from multiprocessing import Barrier, Process, Queue, Value  
from queue import Empty, Full  
from threading import BrokenBarrierError, Thread  
 
import cv2  
import numpy as np  
from PIL import Image  
from scipy import ndimage  
from tensorflow_object_detection import DetectorAPI  
 
import bosdyn.client  
import bosdyn.client.util  
from bosdyn import geometry  
from bosdyn.api import geometry_pb2 as geo  
from bosdyn.api import image_pb2, trajectory_pb2  
from bosdyn.api.image_pb2 import ImageSource  
from bosdyn.api.spot import robot_command_pb2 as spot_command_pb2  
from bosdyn.client.async_tasks import AsyncPeriodicQuery, AsyncTasks  
from bosdyn.client.frame_helpers import (GROUND_PLANE_FRAME_NAME, VISION_FRAME_NAME, get_a_tform_b,  
                                         get_vision_tform_body)  
from bosdyn.client.image import ImageClient  
from bosdyn.client.lease import LeaseClient, LeaseKeepAlive  
from bosdyn.client.math_helpers import Quat, SE3Pose  
from bosdyn.client.robot_command import (CommandFailedError, CommandTimedOutError,  
                                         RobotCommandBuilder, RobotCommandClient, blocking_stand)  
from bosdyn.client.robot_state import RobotStateClient  
 
LOGGER = bosdyn.client.util.get_logger()  
 
SHUTDOWN_FLAG = Value('i', 0)  
 
# Don't let the queues get too backed up  
QUEUE_MAXSIZE = 10  
 
# This is a multiprocessing.Queue for communication between the main process and the  
# Tensorflow processes.  
# Entries in this queue are in the format:  
 
# {  
#     'source': Name of the camera,  
#     'world_tform_cam': transform from VO to camera,  
#     'world_tform_gpe':  transform from VO to ground plane,  
#     'raw_image_time': Time when the image was collected,  
#     'cv_image': The decoded image,  
#     'visual_dims': (cols, rows),  
#     'depth_image': depth image proto,  
#     'system_cap_time': Time when the image was received by the main process,  
#     'image_queued_time': Time when the image was done preprocessing and queued  
# }  
RAW_IMAGES_QUEUE = Queue(QUEUE_MAXSIZE)  
 
# This is a multiprocessing.Queue for communication between the Tensorflow processes and  
# the bbox print process. This is meant for running in a containerized environment with no access  
# to an X display  
# Entries in this queue have the following fields in addition to those in :  
# {  
#   'processed_image_start_time':  Time when the image was received by the TF process,  
#   'processed_image_end_time':  Time when the image was processing for bounding boxes  
#   'boxes': list of detected bounding boxes for the processed image  
#   'classes': classes of objects,  
#   'scores': confidence scores,  
# }  
PROCESSED_BOXES_QUEUE = Queue(QUEUE_MAXSIZE)  
 
# Barrier for waiting on Tensorflow processes to start, initialized in main()  
TENSORFLOW_PROCESS_BARRIER = None  
 
COCO_CLASS_DICT = {  
    1: 'person',  
    2: 'bicycle',  
    3: 'car',  
    4: 'motorcycle',  
    5: 'airplane',  
    6: 'bus',  
    7: 'train',  
    8: 'truck',  
    9: 'boat',  
    10: 'trafficlight',  
    11: 'firehydrant',  
    13: 'stopsign',  
    14: 'parkingmeter',  
    15: 'bench',  
    16: 'bird',  
    17: 'cat',  
    18: 'dog',  
    19: 'horse',  
    20: 'sheep',  
    21: 'cow',  
    22: 'elephant',  
    23: 'bear',  
    24: 'zebra',  
    25: 'giraffe',  
    27: 'backpack',  
    28: 'umbrella',  
    31: 'handbag',  
    32: 'tie',  
    33: 'suitcase',  
    34: 'frisbee',  
    35: 'skis',  
    36: 'snowboard',  
    37: 'sportsball',  
    38: 'kite',  
    39: 'baseballbat',  
    40: 'baseballglove',  
    41: 'skateboard',  
    42: 'surfboard',  
    43: 'tennisracket',  
    44: 'bottle',  
    46: 'wineglass',  
    47: 'cup',  
    48: 'fork',  
    49: 'knife',  
    50: 'spoon',  
    51: 'bowl',  
    52: 'banana',  
    53: 'apple',  
    54: 'sandwich',  
    55: 'orange',  
    56: 'broccoli',  
    57: 'carrot',  
    58: 'hotdog',  
    59: 'pizza',  
    60: 'donut',  
    61: 'cake',  
    62: 'chair',  
    63: 'couch',  
    64: 'pottedplant',  
    65: 'bed',  
    67: 'diningtable',  
    70: 'toilet',  
    72: 'tv',  
    73: 'laptop',  
    74: 'mouse',  
    75: 'remote',  
    76: 'keyboard',  
    77: 'cellphone',  
    78: 'microwave',  
    79: 'oven',  
    80: 'toaster',  
    81: 'sink',  
    82: 'refrigerator',  
    84: 'book',  
    85: 'clock',  
    86: 'vase',  
    87: 'scissors',  
    88: 'teddybear',  
    89: 'hairdrier',  
    90: 'toothbrush'  
}  
 
# Mapping from visual to depth data  
VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE = {  
    'frontleft_fisheye_image': 'frontleft_depth_in_visual_frame',  
    'frontright_fisheye_image': 'frontright_depth_in_visual_frame'  
}  
ROTATION_ANGLES = {  
    'back_fisheye_image': 0,  
    'frontleft_fisheye_image': -78,  
    'frontright_fisheye_image': -102,  
    'left_fisheye_image': 0,  
    'right_fisheye_image': 180  
}  
 
 
def _update_thread(async_task):  
    while True:  
        async_task.update()  
        time.sleep(0.01)  
 
 
class AsyncImage(AsyncPeriodicQuery):  
    """Grab image."""  
 
    def __init__(self, image_client, image_sources):  
        # Period is set to be about 15 FPS  
        super(AsyncImage, self).__init__('images', image_client, LOGGER, period_sec=0.067)  
        self.image_sources = image_sources  
 
    def _start_query(self):  
        return self._client.get_image_from_sources_async(self.image_sources)  
 
 
class AsyncRobotState(AsyncPeriodicQuery):  
    """Grab robot state."""  
 
    def __init__(self, robot_state_client):  
        # period is set to be about the same rate as detections on the CORE AI  
        super(AsyncRobotState, self).__init__('robot_state', robot_state_client, LOGGER,  
                                              period_sec=0.02)  
 
    def _start_query(self):  
        return self._client.get_robot_state_async()  
 
 
def get_source_list(image_client):  
    """Gets a list of image sources and filters based on config dictionary  
 
    Args:  
        image_client: Instantiated image client  
    """  
 
    # We are using only the visual images with their corresponding depth sensors  
    sources = image_client.list_image_sources()  
    source_list = []  
    for source in sources:  
        if source.image_type == ImageSource.IMAGE_TYPE_VISUAL:  
            # only append if sensor has corresponding depth sensor  
            if source.name in VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE:  
                source_list.append(source.name)  
                source_list.append(VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source.name])  
    return source_list  
 
 
def capture_images(image_task, sleep_between_capture):  
    """ Captures images and places them on the queue  
 
    Args:  
        image_task (AsyncImage): Async task that provides the images response to use  
        sleep_between_capture (float): Time to sleep between each image capture  
    """  
    while not SHUTDOWN_FLAG.value:  
        get_im_resp = image_task.proto  
        start_time = time.time()  
        if not get_im_resp:  
            continue  
        depth_responses = {  
            img.source.name: img  
            for img in get_im_resp  
            if img.source.image_type == ImageSource.IMAGE_TYPE_DEPTH  
        }  
        entry = {}  
        for im_resp in get_im_resp:  
            if im_resp.source.image_type == ImageSource.IMAGE_TYPE_VISUAL:  
                source = im_resp.source.name  
                depth_source = VISUAL_SOURCE_TO_DEPTH_MAP_SOURCE[source]  
                depth_image = depth_responses[depth_source]  
 
                acquisition_time = im_resp.shot.acquisition_time  
                image_time = acquisition_time.seconds + acquisition_time.nanos * 1e-9  
 
                try:  
                    image = Image.open(io.BytesIO(im_resp.shot.image.data))  
                    source = im_resp.source.name  
 
                    image = ndimage.rotate(image, ROTATION_ANGLES[source])  
                    if im_resp.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_GREYSCALE_U8:  
                        image = cv2.cvtColor(image, cv2.COLOR_GRAY2RGB)  # Converted to RGB for TF  
                    tform_snapshot = im_resp.shot.transforms_snapshot  
                    frame_name = im_resp.shot.frame_name_image_sensor  
                    world_tform_cam = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME, frame_name)  
                    world_tform_gpe = get_a_tform_b(tform_snapshot, VISION_FRAME_NAME,  
                                                    GROUND_PLANE_FRAME_NAME)  
                    entry[source] = {  
                        'source': source,  
                        'world_tform_cam': world_tform_cam,  
                        'world_tform_gpe': world_tform_gpe,  
                        'raw_image_time': image_time,  
                        'cv_image': image,  
                        'visual_dims': (im_resp.shot.image.cols, im_resp.shot.image.rows),  
                        'depth_image': depth_image,  
                        'system_cap_time': start_time,  
                        'image_queued_time': time.time()  
                    }  
                except Exception as exc:  # pylint: disable=broad-except  
                    print(f'Exception occurred during image capture {exc}')  
        try:  
            RAW_IMAGES_QUEUE.put_nowait(entry)  
        except Full as exc:  
            print(f'RAW_IMAGES_QUEUE is full: {exc}')  
        time.sleep(sleep_between_capture)  
 
 
def start_tensorflow_processes(num_processes, model_path, detection_class, detection_threshold,  
                               max_processing_delay):  
    """Starts Tensorflow processes in parallel.  
 
    It does not keep track of the processes once they are started because they run indefinitely  
    and are never joined back to the main process.  
 
    Args:  
        num_processes (int): Number of Tensorflow processes to start in parallel.  
        model_path (str): Filepath to the Tensorflow model to use.  
        detection_class (int): Detection class to detect  
        detection_threshold (float): Detection threshold to apply to all Tensorflow detections.  
        max_processing_delay (float): Allowed delay before processing an incoming image.  
    """  
    processes = []  
    for _ in range(num_processes):  
        process = Process(  
            target=process_images, args=(  
                model_path,  
                detection_class,  
                detection_threshold,  
                max_processing_delay,  
            ), daemon=True)  
        process.start()  
        processes.append(process)  
    return processes  
 
 
def process_images(model_path, detection_class, detection_threshold, max_processing_delay):  
    """Starts Tensorflow and detects objects in the incoming images.  
 
    Args:  
        model_path (str): Filepath to the Tensorflow model to use.  
        detection_class (int): Detection class to detect  
        detection_threshold (float): Detection threshold to apply to all Tensorflow detections.  
        max_processing_delay (float): Allowed delay before processing an incoming image.  
    """  
 
    odapi = DetectorAPI(path_to_ckpt=model_path)  
    num_processed_skips = 0  
 
    if TENSORFLOW_PROCESS_BARRIER is None:  
        return  
 
    try:  
        TENSORFLOW_PROCESS_BARRIER.wait()  
    except BrokenBarrierError as exc:  
        print(f'Error waiting for Tensorflow processes to initialize: {exc}')  
        return False  
 
    while not SHUTDOWN_FLAG.value:  
        try:  
            entry = RAW_IMAGES_QUEUE.get_nowait()  
        except Empty:  
            time.sleep(0.1)  
            continue  
        for _, capture in entry.items():  
            start_time = time.time()  
            processing_delay = time.time() - capture['raw_image_time']  
            if processing_delay > max_processing_delay:  
                num_processed_skips += 1  
                print(f'skipped image because it took {processing_delay}')  
                continue  # Skip image due to delay  
 
            image = capture['cv_image']  
            boxes, scores, classes, _ = odapi.process_frame(image)  
            confident_boxes = []  
            confident_object_classes = []  
            confident_scores = []  
            if len(boxes) == 0:  
                print('no detections founds')  
                continue  
            for box, score, box_class in sorted(zip(boxes, scores, classes), key=lambda x: x[1],  
                                                reverse=True):  
                if score > detection_threshold and box_class == detection_class:  
                    confident_boxes.append(box)  
                    confident_object_classes.append(COCO_CLASS_DICT[box_class])  
                    confident_scores.append(score)  
                    image = cv2.rectangle(image, (box[1], box[0]), (box[3], box[2]), (255, 0, 0), 2)  
 
            capture['processed_image_start_time'] = start_time  
            capture['processed_image_end_time'] = time.time()  
            capture['boxes'] = confident_boxes  
            capture['classes'] = confident_object_classes  
            capture['scores'] = confident_scores  
            capture['cv_image'] = image  
        try:  
            PROCESSED_BOXES_QUEUE.put_nowait(entry)  
        except Full as exc:  
            print(f'PROCESSED_BOXES_QUEUE is full: {exc}')  
    print('tf process ending')  
    return True  
 
 
def get_go_to(world_tform_object, robot_state, mobility_params, dist_margin=0.5):  
    """Gets trajectory command to a goal location  
 
    Args:  
        world_tform_object (SE3Pose): Transform from vision frame to target object  
        robot_state (RobotState): Current robot state  
        mobility_params (MobilityParams): Mobility parameters  
        dist_margin (float): Distance margin to target  
    """  
    vo_tform_robot = get_vision_tform_body(robot_state.kinematic_state.transforms_snapshot)  
    print(f'robot pos: {vo_tform_robot}')  
    delta_ewrt_vo = np.array(  
        [world_tform_object.x - vo_tform_robot.x, world_tform_object.y - vo_tform_robot.y, 0])  
    norm = np.linalg.norm(delta_ewrt_vo)  
    if norm == 0:  
        return None  
    delta_ewrt_vo_norm = delta_ewrt_vo / norm  
    heading = _get_heading(delta_ewrt_vo_norm)  
    vo_tform_goal = np.array([  
        world_tform_object.x - delta_ewrt_vo_norm[0] * dist_margin,  
        world_tform_object.y - delta_ewrt_vo_norm[1] * dist_margin  
    ])  
    se2_pose = geo.SE2Pose(position=geo.Vec2(x=vo_tform_goal[0], y=vo_tform_goal[1]), angle=heading)  
    tag_cmd = RobotCommandBuilder.synchro_se2_trajectory_command(se2_pose,  
                                                                 frame_name=VISION_FRAME_NAME,  
                                                                 params=mobility_params)  
    return tag_cmd  
 
 
def _get_heading(xhat):  
    zhat = [0.0, 0.0, 1.0]  
    yhat = np.cross(zhat, xhat)  
    mat = np.array([xhat, yhat, zhat]).transpose()  
    return Quat.from_matrix(mat).to_yaw()  
 
 
def set_default_body_control():  
    """Set default body control params to current body position"""  
    footprint_R_body = geometry.EulerZXY()  
    position = geo.Vec3(x=0.0, y=0.0, z=0.0)  
    rotation = footprint_R_body.to_quaternion()  
    pose = geo.SE3Pose(position=position, rotation=rotation)  
    point = trajectory_pb2.SE3TrajectoryPoint(pose=pose)  
    traj = trajectory_pb2.SE3Trajectory(points=[point])  
    return spot_command_pb2.BodyControlParams(base_offset_rt_footprint=traj)  
 
 
def get_mobility_params():  
    """Gets mobility parameters for following"""  
    vel_desired = .75  
    speed_limit = geo.SE2VelocityLimit(  
        max_vel=geo.SE2Velocity(linear=geo.Vec2(x=vel_desired, y=vel_desired), angular=.25))  
    body_control = set_default_body_control()  
    mobility_params = spot_command_pb2.MobilityParams(vel_limit=speed_limit, obstacle_params=None,  
                                                      body_control=body_control,  
                                                      locomotion_hint=spot_command_pb2.HINT_TROT)  
    return mobility_params  
 
 
def depth_to_xyz(depth, pixel_x, pixel_y, focal_length, principal_point):  
    """Calculate the transform to point in image using camera intrinsics and depth"""  
    x = depth * (pixel_x - principal_point.x) / focal_length.x  
    y = depth * (pixel_y - principal_point.y) / focal_length.y  
    z = depth  
    return x, y, z  
 
 
def remove_ground_from_depth_image(raw_depth_image, focal_length, principal_point, world_tform_cam,  
                                   world_tform_gpe, ground_tolerance=0.04):  
    """ Simple ground plane removal algorithm. Uses ground height  
        and does simple z distance filtering.  
 
    Args:  
        raw_depth_image (np.array): Depth image  
        focal_length (Vec2): Focal length of camera that produced the depth image  
        principal_point (Vec2): Principal point of camera that produced the depth image  
        world_tform_cam (SE3Pose): Transform from VO to camera frame  
        world_tform_gpe (SE3Pose): Transform from VO to GPE frame  
        ground_tolerance (float): Distance in meters to add to the ground plane  
    """  
    new_depth_image = raw_depth_image  
 
    # same functions as depth_to_xyz, but converted to np functions  
    indices = np.indices(raw_depth_image.shape)  
    xs = raw_depth_image * (indices[1] - principal_point.x) / focal_length.x  
    ys = raw_depth_image * (indices[0] - principal_point.y) / focal_length.y  
    zs = raw_depth_image  
 
    # create xyz point cloud  
    camera_tform_points = np.stack([xs, ys, zs], axis=2)  
    # points in VO frame  
    world_tform_points = world_tform_cam.transform_cloud(camera_tform_points)  
    # array of booleans where True means the point was below the ground plane plus tolerance  
    world_tform_points_mask = (world_tform_gpe.z - world_tform_points[:, :, 2]) < ground_tolerance  
    # remove data below ground plane  
    new_depth_image[world_tform_points_mask] = 0  
    return new_depth_image  
 
 
def get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max, depth_scale, raw_depth_image,  
                                         histogram_bin_size=0.50, minimum_number_of_points=10,  
                                         max_distance=8.0):  
    """Make a histogram of distances to points in the cloud and take the closest distance with  
    enough points.  
 
    Args:  
        x_min (int): minimum x coordinate (column) of object to find  
        x_max (int): maximum x coordinate (column) of object to find  
        y_min (int): minimum y coordinate (row) of object to find  
        y_max (int): maximum y coordinate (row) of object to find  
        depth_scale (float): depth scale of the image to convert from sensor value to meters  
        raw_depth_image (np.array): matrix of depth pixels  
        histogram_bin_size (float): size of each bin of distances  
        minimum_number_of_points (int): minimum number of points before returning depth  
        max_distance (float): maximum distance to object in meters  
    """  
    num_bins = math.ceil(max_distance / histogram_bin_size)  
 
    # get a sub-rectangle of the bounding box out of the whole image, then flatten  
    obj_depths = (raw_depth_image[y_min:y_max, x_min:x_max]).flatten()  
    obj_depths = obj_depths / depth_scale  
    obj_depths = obj_depths[obj_depths != 0]  
 
    hist, hist_edges = np.histogram(obj_depths, bins=num_bins, range=(0, max_distance))  
 
    edges_zipped = zip(hist_edges[:-1], hist_edges[1:])  
    # Iterate over the histogram and return the first distance with enough points.  
    for entry, edges in zip(hist, edges_zipped):  
        if entry > minimum_number_of_points:  
            filtered_depths = obj_depths[(obj_depths > edges[0]) & (obj_depths < edges[1])]  
            if len(filtered_depths) == 0:  
                continue  
            return np.mean(filtered_depths)  
 
    return max_distance  
 
 
def rotate_about_origin_degrees(origin, point, angle):  
    """  
    Rotate a point counterclockwise by a given angle around a given origin.  
 
    Args:  
        origin (tuple): Origin to rotate the point around  
        point (tuple): Point to rotate  
        angle (float): Angle in degrees  
    """  
    return rotate_about_origin(origin, point, math.radians(angle))  
 
 
def rotate_about_origin(origin, point, angle):  
    """  
    Rotate a point counterclockwise by a given angle around a given origin.  
 
    Args:  
        origin (tuple): Origin to rotate the point around  
        point (tuple): Point to rotate  
        angle (float): Angle in radians  
    """  
    orig_x, orig_y = origin  
    pnt_x, pnt_y = point  
 
    ret_x = orig_x + math.cos(angle) * (pnt_x - orig_x) - math.sin(angle) * (pnt_y - orig_y)  
    ret_y = orig_y + math.sin(angle) * (pnt_x - orig_x) + math.cos(angle) * (pnt_y - orig_y)  
    return int(ret_x), int(ret_y)  
 
 
def get_object_position(world_tform_cam, world_tform_gpe, visual_dims, depth_image, bounding_box,  
                        rotation_angle):  
    """  
    Extract the bounding box, then find the mode in that region.  
 
    Args:  
        world_tform_cam (SE3Pose): SE3 transform from world to camera frame  
        visual_dims (Tuple): (cols, rows) tuple from the visual image  
        depth_image (ImageResponse): From a depth camera corresponding to the visual_image  
        bounding_box (list): Bounding box from tensorflow  
        rotation_angle (float): Angle (in degrees) to rotate depth image to match cam image rotation  
    """  
 
    # Make sure there are two images.  
    if visual_dims is None or depth_image is None:  
        # Fail.  
        return  
 
    # Rotate bounding box back to original frame  
    points = [(bounding_box[1], bounding_box[0]), (bounding_box[3], bounding_box[0]),  
              (bounding_box[3], bounding_box[2]), (bounding_box[1], bounding_box[2])]  
 
    origin = (visual_dims[0] / 2, visual_dims[1] / 2)  
 
    points_rot = [rotate_about_origin_degrees(origin, point, rotation_angle) for point in points]  
 
    # Get the bounding box corners.  
    y_min = max(0, min([point[1] for point in points_rot]))  
    x_min = max(0, min([point[0] for point in points_rot]))  
    y_max = min(visual_dims[1], max([point[1] for point in points_rot]))  
    x_max = min(visual_dims[0], max([point[0] for point in points_rot]))  
 
    # Check that the bounding box is valid.  
    if (x_min < 0 or y_min < 0 or x_max > visual_dims[0] or y_max > visual_dims[1]):  
        print(f'Bounding box is invalid: ({x_min}, {y_min}) | ({x_max}, {y_max})')  
        print(f'Bounds: ({visual_dims[0]}, {visual_dims[1]})')  
        return  
 
    # Unpack the images.  
    try:  
        if depth_image.shot.image.pixel_format == image_pb2.Image.PIXEL_FORMAT_DEPTH_U16:  
            dtype = np.uint16  
        else:  
            dtype = np.uint8  
        img = np.fromstring(depth_image.shot.image.data, dtype=dtype)  
        if depth_image.shot.image.format == image_pb2.Image.FORMAT_RAW:  
            img = img.reshape(depth_image.shot.image.rows, depth_image.shot.image.cols)  
        else:  
            img = cv2.imdecode(img, -1)  
        depth_image_pixels = img  
        depth_image_pixels = remove_ground_from_depth_image(  
            depth_image_pixels, depth_image.source.pinhole.intrinsics.focal_length,  
            depth_image.source.pinhole.intrinsics.principal_point, world_tform_cam, world_tform_gpe)  
        # Get the depth data from the region in the bounding box.  
        max_distance = 8.0  
        depth = get_distance_to_closest_object_depth(x_min, x_max, y_min, y_max,  
                                                     depth_image.source.depth_scale,  
                                                     depth_image_pixels, max_distance=max_distance)  
 
        if depth >= max_distance:  
            # Not enough depth data.  
            print('Not enough depth data.')  
            return False  
        else:  
            print(f'distance to object: {depth}')  
 
        center_x = round((x_max - x_min) / 2.0 + x_min)  
        center_y = round((y_max - y_min) / 2.0 + y_min)  
 
        tform_x, tform_y, tform_z = depth_to_xyz(  
            depth, center_x, center_y, depth_image.source.pinhole.intrinsics.focal_length,  
            depth_image.source.pinhole.intrinsics.principal_point)  
        camera_tform_obj = SE3Pose(tform_x, tform_y, tform_z, Quat())  
 
        return world_tform_cam * camera_tform_obj  
    except Exception as exc:  # pylint: disable=broad-except  
        print(f'Error getting object position: {exc}')  
        return  
 
 
def _check_model_path(model_path):  
    if model_path is None or \  
    not os.path.exists(model_path) or \  
    not os.path.isfile(model_path):  
        print(f'ERROR, could not find model file {model_path}')  
        return False  
    return True  
 
 
def _check_and_load_json_classes(config_path):  
    if os.path.isfile(config_path):  
        with open(config_path) as json_classes:  
            global COCO_CLASS_DICT  # pylint: disable=global-statement  
            COCO_CLASS_DICT = json.load(json_classes)  
 
 
def _find_highest_conf_source(processed_boxes_entry):  
    highest_conf_source = None  
    max_score = 0  
    for key, capture in processed_boxes_entry.items():  
        if 'scores' in capture.keys():  
            if len(capture['scores']) > 0 and capture['scores'][0] > max_score:  
                highest_conf_source = key  
                max_score = capture['scores'][0]  
    return highest_conf_source  
 
 
def signal_handler(signal, frame):  
    print('Interrupt caught, shutting down')  
    SHUTDOWN_FLAG.value = 1  
 
 
def main():  
    """Command line interface."""  
 
    parser = argparse.ArgumentParser()  
    parser.add_argument(  
        '--model-path', default='/model.pb', help=  
        ('Local file path to the Tensorflow model, example pre-trained models can be found at '  
         'https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/tf1_detection_zoo.md'  
        ))  
    parser.add_argument('--classes', default='/classes.json', type=str,  
                        help='File containing json mapping of object class IDs to class names')  
    parser.add_argument('--number-tensorflow-processes', default=1, type=int,  
                        help='Number of Tensorflow processes to run in parallel')  
    parser.add_argument('--detection-threshold', default=0.7, type=float,  
                        help='Detection threshold to use for Tensorflow detections')  
    parser.add_argument(  
        '--sleep-between-capture', default=0.2, type=float,  
        help=('Seconds to sleep between each image capture loop iteration, which captures '  
              'an image from all cameras'))  
    parser.add_argument(  
        '--detection-class', default=1, type=int,  
        help=('Detection classes to use in the Tensorflow model.'  
              'Default is to use 1, which is a person in the Coco dataset'))  
    parser.add_argument(  
        '--max-processing-delay', default=7.0, type=float,  
        help=('Maximum allowed delay for processing an image. '  
              'Any image older than this value will be skipped'))  
    parser.add_argument('--test-mode', action='store_true',  
                        help='Run application in test mode, don\'t execute commands')  
 
    bosdyn.client.util.add_base_arguments(parser)  
    bosdyn.client.util.add_payload_credentials_arguments(parser)  
    options = parser.parse_args()  
    signal.signal(signal.SIGINT, signal_handler)  
    try:  
        # Make sure the model path is a valid file  
        if not _check_model_path(options.model_path):  
            return False  
 
        # Check for classes json file, otherwise use the COCO class dictionary  
        _check_and_load_json_classes(options.classes)  
 
        global TENSORFLOW_PROCESS_BARRIER  # pylint: disable=global-statement  
        TENSORFLOW_PROCESS_BARRIER = Barrier(options.number_tensorflow_processes + 1)  
        # Start Tensorflow processes  
        tf_processes = start_tensorflow_processes(options.number_tensorflow_processes,  
                                                  options.model_path, options.detection_class,  
                                                  options.detection_threshold,  
                                                  options.max_processing_delay)  
 
        # sleep to give the Tensorflow processes time to initialize  
        try:  
            TENSORFLOW_PROCESS_BARRIER.wait()  
        except BrokenBarrierError as exc:  
            print(f'Error waiting for Tensorflow processes to initialize: {exc}')  
            return False  
        # Start the API related things  
 
        # Create robot object with a world object client  
        sdk = bosdyn.client.create_standard_sdk('SpotFollowClient')  
        robot = sdk.create_robot(options.hostname)  
 
        if options.payload_credentials_file:  
            robot.authenticate_from_payload_credentials(  
                *bosdyn.client.util.get_guid_and_secret(options))  
        else:  
            bosdyn.client.util.authenticate(robot)  
 
        # Time sync is necessary so that time-based filter requests can be converted  
        robot.time_sync.wait_for_sync()  
 
        # Verify the robot is not estopped and that an external application has registered and holds  
        # an estop endpoint.  
        assert not robot.is_estopped(), 'Robot is estopped. Please use an external E-Stop client,' \  
                                        ' such as the estop SDK example, to configure E-Stop.'  
 
        # Create the sdk clients  
        robot_state_client = robot.ensure_client(RobotStateClient.default_service_name)  
        robot_command_client = robot.ensure_client(RobotCommandClient.default_service_name)  
        lease_client = robot.ensure_client(LeaseClient.default_service_name)  
        image_client = robot.ensure_client(ImageClient.default_service_name)  
        source_list = get_source_list(image_client)  
        image_task = AsyncImage(image_client, source_list)  
        robot_state_task = AsyncRobotState(robot_state_client)  
        task_list = [image_task, robot_state_task]  
        _async_tasks = AsyncTasks(task_list)  
        print('Detect and follow client connected.')  
 
        lease = lease_client.take()  
        lease_keep = LeaseKeepAlive(lease_client)  
        # Power on the robot and stand it up  
        resp = robot.power_on()  
        try:  
            blocking_stand(robot_command_client)  
        except CommandFailedError as exc:  
            print(f'Error ({exc}) occurred while trying to stand. Check robot surroundings.')  
            return False  
        except CommandTimedOutError as exc:  
            print(f'Stand command timed out: {exc}')  
            return False  
        print('Robot powered on and standing.')  
        params_set = get_mobility_params()  
 
        # This thread starts the async tasks for image and robot state retrieval  
        update_thread = Thread(target=_update_thread, args=[_async_tasks])  
        update_thread.daemon = True  
        update_thread.start()  
        # Wait for the first responses.  
        while any(task.proto is None for task in task_list):  
            time.sleep(0.1)  
 
        # Start image capture process  
        image_capture_thread = Process(target=capture_images,  
                                       args=(image_task, options.sleep_between_capture),  
                                       daemon=True)  
        image_capture_thread.start()  
        while not SHUTDOWN_FLAG.value:  
            # This comes from the tensorflow processes and limits the rate of this loop  
            try:  
                entry = PROCESSED_BOXES_QUEUE.get_nowait()  
            except Empty:  
                continue  
            # find the highest confidence bounding box  
            highest_conf_source = _find_highest_conf_source(entry)  
            if highest_conf_source is None:  
                # no boxes or scores found  
                continue  
            capture_to_use = entry[highest_conf_source]  
            raw_time = capture_to_use['raw_image_time']  
            time_gap = time.time() - raw_time  
            if time_gap > options.max_processing_delay:  
                continue  # Skip image due to delay  
 
            # Find the transform to the highest confidence object using the depth sensor  
            get_object_position_start = time.time()  
            robot_state = robot_state_task.proto  
            world_tform_gpe = get_a_tform_b(robot_state.kinematic_state.transforms_snapshot,  
                                            VISION_FRAME_NAME, GROUND_PLANE_FRAME_NAME)  
            world_tform_object = get_object_position(  
                capture_to_use['world_tform_cam'], world_tform_gpe, capture_to_use['visual_dims'],  
                capture_to_use['depth_image'], capture_to_use['boxes'][0],  
                ROTATION_ANGLES[capture_to_use['source']])  
            get_object_position_end = time.time()  
            print(f'system_cap_time: {capture_to_use["system_cap_time"]}, '  
                  f'image_queued_time: {capture_to_use["image_queued_time"]}, '  
                  f'processed_image_start_time: {capture_to_use["processed_image_start_time"]}, '  
                  f'processed_image_end_time: {capture_to_use["processed_image_end_time"]}, '  
                  f'get_object_position_start_time: {get_object_position_start}, '  
                  f'get_object_position_end_time: {get_object_position_end}, ')  
 
            # get_object_position can fail if there is insufficient depth sensor information  
            if not world_tform_object:  
                continue  
 
            scores = capture_to_use['scores']  
            print(f'Position of object with confidence {scores[0]}: {world_tform_object}')  
            print(f'Process latency: {time.time() - capture_to_use["system_cap_time"]}')  
            tag_cmd = get_go_to(world_tform_object, robot_state, params_set)  
            end_time = 15.0  
            if tag_cmd is not None:  
                if not options.test_mode:  
                    print('executing command')  
                    robot_command_client.robot_command(lease=None, command=tag_cmd,  
                                                       end_time_secs=time.time() + end_time)  
                else:  
                    print('Running in test mode, skipping command.')  
 
        # Shutdown lease keep-alive and return lease gracefully.  
        lease_keep.shutdown()  
        lease_client.return_lease(lease)  
        return True  
    except Exception as exc:  # pylint: disable=broad-except  
        LOGGER.error('Spot Tensorflow Detector threw an exception: %s', exc)  
        # Shutdown lease keep-alive and return lease gracefully.  
        return False   
 
 
if __name__ == '__main__':  
    if not main():  
        sys.exit(1)

Dans un scénario, les soldats chinois se tiennent de part et d'autre d'une porte tandis que le chien robot pénètre dans le bâtiment devant eux ; dans un autre, le robot tire une rafale de balles alors qu'il avance sur une cible. « Il peut servir de nouveau membre dans nos opérations de combat urbain, remplaçant nos membres pour mener la reconnaissance, identifier l'ennemi et frapper la cible pendant notre entraînement », rapporte la CCTV des propos d’un soldat chinois montrant le robot en train d'opérer.

🇨🇳 PLA showcased two robot dogs — including one with a QBZ-95 assault rifle mounted on its back — during the 15-day China-Cambodia Golden Dragon 2024 joint military exercises that began on May 16. pic.twitter.com/b75K26BWzo

— Byron Wan (@Byron_Wan) May 27, 2024

L'année dernière, le Pentagone a expérimenté l'équipement de robots terrestres quadrupèdes avec sa carabine standard M4A1 de 5,56 x 45 mm, le fusil XM7 de 6,8 mm que l'armée américaine est en train d'adopter dans le cadre de son programme « Next Generation Squad Weapon », et même l'arme antichar légère M72 qui est en service au sein des troupes américaines depuis la guerre du Vietnam. Quelques semaines avant que CCTV ne publie ses images de chiens robots armés en action, le Marine Corps Special Operations Command (MARSOC) a révélé qu'il expérimentait l'ajout à ses propres chiens mécanisés de systèmes d'armes montés basés sur le système d'armes à distance SENTRY de l'entreprise de défense Onyx, basé sur l'intelligence artificielle.

Les responsables américains de la défense se sont empressés de souligner que le développement de robots-chiens armés était, à ce stade, purement expérimental, destiné à aider les planificateurs militaires à explorer le domaine du possible en ce qui concerne les applications potentielles de systèmes robotiques révolutionnaires dans un futur conflit, comme l'a déclaré un responsable de l'armée en août dernier. Mais comme les soldats de l'armée de terre effectuent des exercices d'assaut urbain avec des robots-chiens et que le corps des Marines envisage de plus en plus d'utiliser des quadrupèdes mécaniques pour renforcer les formations futures grâce à la robotique intelligente, l'armée américaine pourrait bien être obligée d'envisager sérieusement d'adopter des chiens robots armés pour le combat, avant la Chine.

The U.S. Marine Corps Special Operations Forces Command (MARSOC) tested the Ghost Robotics Vision 60, a four-legged bionic robot.

One of the robot dogs is armed with a 7.62x39mm caliber gun, while the other is equipped with a 6.5mm Creedmoor caliber gun. pic.twitter.com/Cs0dmLCWiY

— Clash Report (@clashreport) May 9, 2024

Tous les pays sont lancés dans le développement d’armes animées par l’intelligence artificielle

Suite aux attaques menées par les militants du Hamas le 7 octobre dernier, les forces israéliennes ont frappé plus de 22 000 cibles à l'intérieur de Gaza. Depuis la fin de la trêve temporaire, le 1er décembre, l'armée de l'air israélienne a frappé plus de 3500 sites. Pour y parvenir, elle met à contribution une intelligence artificielle dénommée « Gospel » afin d'identifier en temps réel le plus grand nombre de cibles ennemies.

En septembre 2022, l'armée israélienne a commencé à installer une arme automatique à un poste de contrôle très fréquenté de la ville d'Hébron (Al-Khalil), en Cisjordanie occupée. Les tourelles jumelles ont été installées au sommet d'une tour de garde surplombant le camp de réfugiés d'Al-Aroub. « Elle tire toute seule sans intervention de la part du soldat. Quand un soldat israélien voit un petit garçon, il appuie sur un bouton ou quelque chose comme ça et elle tire toute seule. Elle est très rapide, même plus rapide que les soldats. Les bombes lacrymogènes qu'il tire peuvent atteindre l'extrémité du camp et tout le reste », a déclaré un résident du camp.

La tourelle télécommandée a été développée par la société de défense israélienne Smart Shooter, qui a mis au point un système de contrôle de tir autonome appelé SMASH, qui peut être fixé sur des fusils d'assaut pour suivre et verrouiller des cibles à l'aide d'un traitement d'image basé sur l'intelligence artificielle. Le site Web de la société appelle ce système "One Shot-One Hit" (qui pourrait être traduit en français par : "un tir - un succès". Elle se vante d'avoir réussi à "combiner un matériel simple à installer avec un logiciel de traitement d'image avancé pour transformer des armes légères de base en armes intelligentes du XXIe siècle".

La société affirme que la technologie SMASH permet de surmonter les défis auxquels sont confrontés les soldats lors des batailles, tels que l'effort physique, la fatigue, le stress et la pression mentale pour viser avec précision et assurer le succès du tireur. « Notre objectif est de permettre à tous les corps d'infanterie de bénéficier des armes de précision. Quelle que soit l'expérience ou la mission du soldat, notre système lui permet de ne pas faire tt d'erreur lorsqu'il tire et de toucher la cible sans faute. Tout soldat devient un véritable tireur d'élite », a déclaré Michal Mor, fondateur et PDG de Smart Shooter, lors d'une interview en 2020.

La tourelle vue à Hébron n'est pas annoncée sur le site Web de l'entreprise israélienne, mais deux autres tourelles automatisées, 'SMASH HOPPER' et 'SMASH HOPPER P', sont équipées de fusils d'assaut et du système Smart Shooter. « Le HOPPER peut être monté dans plusieurs configurations, notamment sur un trépied, un mât fixe, un navire de surface et des véhicules », indique le site Web de l'entreprise. Dans l'ensemble, l'entreprise indique que la technologie SMASH est censée améliorer l'efficacité des missions en engageant avec précision et en éliminant les cibles terrestres, aériennes, statiques ou mobiles, de jour comme de nuit.

« Habituellement, le terroriste se trouve dans un environnement civil avec de nombreuses personnes que nous ne voulons pas blesser. Nous permettons au soldat de regarder à travers son système de contrôle de tir, pour s'assurer que la cible qu'il veut atteindre est la cible légitime. Une fois qu'il aura verrouillé la cible, le système s'assurera que la balle sera libérée lorsqu'il appuiera sur la gâchette, uniquement sur la cible légitime et qu'aucun des passants ne pourra être touché par l'arme », a déclaré Mor. Les militants des droits de l'homme s'inquiètent de "la déshumanisation numérique des systèmes d'armes".

Selon les médias locaux, l'armée israélienne a déclaré qu'elle teste la possibilité d'utiliser le système pour appliquer des méthodes approuvées de dispersion de la foule, qui n'incluent pas le tir de balles réelles. « Dans le cadre des préparatifs améliorés de l'armée pour faire face aux personnes qui perturbent l'ordre dans la région, elle examine la possibilité d'utiliser des systèmes télécommandés pour employer des mesures approuvées de dispersion de foule. Cela n'inclut pas le contrôle à distance de tirs à balles réelles », explique un porte-parole de l'armée israélienne. Mais cela n'a pas suffi à calmer les craintes des militants des droits de l'homme.

L'armée israélienne a également précisé qu'au cours de sa phase pilote, le système n'utilisera que des balles à pointe éponge. Cependant, des experts ont signalé qu'à plusieurs reprises, des balles à pointe éponge ont causé des blessures permanentes à des personnes en Cisjordanie occupée et en Israël, certaines ayant même perdu leurs yeux. Des militants des droits de l'homme d'Hébron ont exprimé leur inquiétude quant à la défaillance du système qui pourrait avoir un impact sur de nombreuses personnes, notant que le système a été placé au centre d'une zone fortement peuplée, avec des centaines de personnes passant à proximité.

En outre, les militants des droits de l'homme, ainsi que d'autres critiques, affirment également que ce dispositif est un nouvel exemple de l'utilisation par Israël des Palestiniens comme cobayes, ce qui lui permettrait de commercialiser sa technologie militaire comme testée sur le terrain auprès des gouvernements du monde entier. « Je vois cela comme une transition du contrôle humain au contrôle technologique. En tant que Palestiniens, nous sommes devenus un objet d'expérimentation et de formation pour l'industrie militaire israélienne de haute technologie, qui n'est pas responsable de ce qu'elle fait », a déclaré un habitant de la région.

Les armes létales autonomes sont de plus en plus utilisées dans le monde. Les drones, notamment les drones kamikazes, sont largement utilisés de l'Ukraine en l'Éthiopie et les armes télécommandées ont été utilisées par les États-Unis en Irak, par la Corée du Sud le long de la frontière avec la Corée du Nord et par les rebelles syriens. Par ailleurs, la dépendance de l'armée israélienne à l'égard des systèmes automatisés s'est accrue au fils des ans. Ces dernières années, Israël a adopté de plus en plus de systèmes automatisés à des fins militaires, dont certains sont controversés. Cela comprend des robots et des chars d'assaut dotés d'une intelligence artificielle.

L'année dernière, un rapport a révélé qu'Israël avait déployé un système élaboré de caméras en Cisjordanie occupée pour contrôler et surveiller les Palestiniens. Ces caméras seraient reliées à une base de données appelée "Blue Wolf". La base de données comprendrait des détails et des photos des Palestiniens, notamment les numéros d'identité, l'âge, le sexe, l'adresse, les numéros de plaque d'immatriculation, les liens avec d'autres individus, le statut professionnel en Israël et les impressions négatives que les soldats ont du comportement d'un Palestinien lorsqu'ils le rencontrent. Hébron aurait été l'une des premières villes à utiliser ce système.

Selon d'autres rapports, en 2018, l'armée israélienne a commencé à utiliser un drone capable de lancer des gaz lacrymogènes pour disperser les manifestants dans la bande de Gaza. En 2021, même la police israélienne aurait commencé à employer de tels drones contre des manifestants en Israël. Dans ce contexte, beaucoup estiment que le déploiement des armes létales autonomes va davantage s'accélérer. Elon Musk, PDG de Tesla, affirme : « les drones autonomes sont le futur. Ce n’est pas que je veuille que l’avenir soit ainsi fait, mais c’est juste que c’est inéluctable. L’ère des avions de chasse est révolue ».

En Europe, Milrem Robotics, leader européen en matière de robotique et de systèmes autonomes, a partagé en juin dernier une vidéo mettant en scène un char doté d'une IA qui fait exploser des voitures et d'autres cibles. L'entrepreneur a déclaré que le char, baptisé Type-X, est conçu pour permettre aux troupes de "percer les positions défensives de l'ennemi avec un risque minimal". Il devrait fournir aux troupes "une puissance de feu et une utilisation tactique égales ou supérieures à celles d'une unité équipée de véhicules de combat d'infanterie". Les critiques ont déclaré que la démonstration reflète un futur dystopique de la guerre.

🥔 AI for war: Palantir CTO Shyam Sankar says the US military will regain deterrence—and "drive peace"—through algorithmic dominance. AI for wartime decision-making. 🙃 pic.twitter.com/ficPewSYMg

— Vitruvian Potato (@vitrupo) December 6, 2024

Les appels à arrêter la course aux développements des armes pilotées par l’intelligence artificielle se multiplient

À Londres, une vingtaine de manifestants se sont postés devant le ministère britannique de la science, de l'innovation et de la technologie, scandant des slogans tels que « arrêtez la course, ce n'est pas sûr » et « l'avenir de qui ? notre avenir », dans l'espoir d'attirer l'attention des décideurs politiques. Les manifestants affirment que leur objectif est d'inciter les gouvernements à réglementer les entreprises qui développent des modèles d'IA d'avant-garde, notamment Chat GPT d'OpenAI. Ils affirment que les entreprises ne prennent pas suffisamment de précautions pour s'assurer que leurs modèles d'IA sont suffisamment sûrs pour être diffusés dans le monde.

« Les entreprises d'IA ont prouvé à maintes reprises que l'on ne pouvait pas leur faire confiance, à travers la manière dont elles traitent leurs employés et le travail des autres, en le volant littéralement et en le jetant dans leurs modèles », a déclaré Gideon Futerman, un étudiant d'Oxford qui a prononcé un discours lors de la manifestation.

L'une des manifestantes, Tara Steele, rédactrice indépendante qui travaille sur des blogs et des contenus de référencement, a déclaré qu'elle avait constaté l'impact de la technologie sur ses propres moyens de subsistance. « J'ai remarqué que depuis l'apparition de ChatGPT, la demande de travail en freelance a considérablement diminué », explique-t-elle. « Personnellement, j'adore écrire... J'ai vraiment adoré ça. Et c'est un peu triste, émotionnellement ».

Elle explique que sa principale raison de protester est qu'elle craint que les modèles d'intelligence artificielle d'avant-garde n'aient des conséquences encore plus dangereuses à l'avenir. « Nous avons une foule d'experts hautement qualifiés, des lauréats du prix Turing, des chercheurs en intelligence artificielle très cités et les PDG des entreprises d'intelligence artificielle eux-mêmes [qui affirment que l'intelligence artificielle pourrait être extrêmement dangereuse] ».

Elle est particulièrement préoccupée par le nombre croissant d'experts qui mettent en garde contre les conséquences catastrophiques d'une IA mal maîtrisée. Un rapport commandé par le gouvernement américain, publié en mars, met en garde contre « l'essor de l'IA avancée et de l'IAG [intelligence artificielle générale], qui pourrait déstabiliser la sécurité mondiale d'une manière qui rappelle l'introduction des armes nucléaires ». Actuellement, les plus grands laboratoires d'IA tentent de construire des systèmes capables de surpasser les humains dans presque toutes les tâches, y compris la planification à long terme et la pensée critique. S'ils y parviennent, de plus en plus d'aspects de l'activité humaine pourraient être automatisés, qu'il s'agisse de choses banales comme les achats en ligne ou de l'introduction de systèmes d'armes autonomes qui pourraient agir d'une manière que nous ne pouvons pas prédire. Cela pourrait conduire à une « course aux armements » qui augmenterait la probabilité « d'accidents mortels à l'échelle mondiale et à l'échelle des ADM [armes de destruction massive], de conflits interétatiques et d'escalade », selon le rapport.

Et vous ?

Pour ou contre l'utilisation de l'IA à des fins militaires ? Si pour, à quel degré ou à quelles fins ? Si contre, pourquoi ?
fleche: Êtes-vous surpris de la mise à contribution de l’intelligence artificielle sur les champs de bataille ?

Voir aussi :

fleche: Des représentants de 150 entreprises de la tech plaident contre les robots tueurs autonomes, lors d'une conférence internationale sur l'IA
fleche: USA : le sous-secrétaire à la défense soulève l'importance d'associer l'intelligence artificielle à l'armée, évoquant une future course aux armes
fleche: Des experts en IA boycottent un projet de robots tueurs d'une université en Corée du Sud, en partenariat avec le fabricant d'armes Hanwha Systems
fleche: Non, l'IA de Google ne doit pas être au service de la guerre ! Plus de 3000 employés de Google protestent contre la collaboration avec le Pentagone
fleche: Robots militaires : les États-Unis testent l'efficacité de leurs prototypes dans le Pacifique, l'armée irakienne présente son robot mitrailleur

[_toma_]

« La guerre moderne ne peut être gagnée sans artifices logiciels »

Y'a pas besoin d'IA pour ça. Ca fait longtemps qu'on est loin des groupes de hackers qui défacent un site web pour rigoler ou pour revendiquer leurs pensées personnelles.
La guerre (au sens propre du terme) numérique à grande échelle a commencé il a une quinzaine d'années. Snowden l'a révélée au grand jour et il suffit de lire les actualités du monde du hacking pour s'en rendre compte. Mais tout le monde semble l'avoir oublié.

Dans un scénario, les soldats chinois se tiennent de part et d'autre d'une porte tandis que le chien robot pénètre dans le bâtiment devant eux ; dans un autre, le robot tire une rafale de balles alors qu'il avance sur une cible. « Il peut servir de nouveau membre dans nos opérations de combat urbain, remplaçant nos membres pour mener la reconnaissance, identifier l'ennemi et frapper la cible pendant notre entraînement », rapporte la CCTV des propos d’un soldat chinois montrant le robot en train d'opérer.

Bienvenue en Distopie.