En juillet 1966, au laboratoire d’intelligence artificielle du MIT, Seymour Papert rédige une courte note de travail. Il propose de confier à des étudiants, le temps d’un été, la construction d’une part importante d’un système de vision : séparer dans une image les objets du fond, décrire leurs formes, puis les nommer. Ce « projet d’été » est devenu un cas d’école : le problème a occupé des décennies de recherche. Ce qui nous paraît immédiat, reconnaître une tasse et tendre la main au bon endroit, cache une longue enquête. Une caméra reçoit de la lumière ; un robot a besoin de savoir où est la tasse, à quelle distance se trouve le mur et si le passage est libre.
LE DÉCLIC EN IMAGE
Deux regards donnent un indice de distance
Un même objet ne se place pas exactement au même endroit dans deux images prises depuis des positions différentes.
Deux caméras observent la même scène depuis des points séparés.
Le même détail apparaît décalé dans leurs images.
Avec la position des caméras connue, ce décalage aide à estimer la distance.
LES BASESLes bases, si vous découvrez le sujet
- Pixel
- Un petit élément de l’image numérique. Ensemble, les pixels composent l’image.
- Disparité
- Le décalage d’un même détail entre deux images prises depuis deux points voisins. Plus l’objet est proche, plus ce décalage est grand.
- Profondeur
- La distance d’un élément de la scène par rapport au point d’observation.
Au fil de cette lecture
Une image est une grille de mesures
Une caméra transforme la lumière reçue en valeurs associées à de petits éléments, les pixels. Une image de 640 pixels sur 480, la définition des caméras de profondeur d’Intel décrites en 2017, rassemble déjà plus de 300 000 mesures, renouvelées plusieurs dizaines de fois par seconde. Chacune dépend à la fois de la scène, de l’éclairage, de l’objectif et du capteur. Une tasse blanche dans l’ombre peut produire des pixels plus sombres qu’une table grise en plein soleil.
Le même objet peut remplir presque toute l’image de près et devenir un détail de quelques pixels de loin. Sa couleur apparente change avec la lumière, une partie peut disparaître derrière un livre. Pour nous, reconnaître une tasse au milieu de ces variations est banal. Pour une machine, chacune de ces situations doit être traitée par des mesures, des règles ou un apprentissage.
Nommer un objet, puis le situer
Un modèle de vision peut entourer une zone de l’image et lui attribuer l’étiquette « tasse ». Il a répondu à la question « quoi ? ». Il reste à répondre à « où ? » : la distance de l’objet, sa taille réelle, son orientation, l’endroit où passer les doigts. Une petite tasse proche et une grande tasse éloignée peuvent occuper la même surface sur l’image. Reconnaissance et géométrie sont deux problèmes complémentaires, et un robot qui veut saisir a besoin des deux.
Deux regards donnent un indice de profondeur
Tendez un doigt devant vous et fermez alternativement un œil puis l’autre : le doigt semble sauter par rapport au fond. Ce décalage, appelé disparité, est d’autant plus grand que l’objet est proche. Deux caméras écartées d’une distance connue exploitent le même principe. Dans les caméras de profondeur RealSense décrites par des ingénieurs d’Intel en 2017, les deux capteurs sont placés à environ 7 centimètres l’un de l’autre, un écart proche de celui de nos yeux.
Ce principe a une conséquence étonnante : la précision fond avec la distance. Dans les mesures des ingénieurs d’Intel, pour une cible bien texturée et bien éclairée, un point situé à une trentaine de mètres ne se décale plus que d’un seul pixel entre les deux images. L’erreur sur la distance croît à peu près comme le carré de l’éloignement : doubler la distance multiplie l’incertitude par environ quatre.
Il faut aussi retrouver le même détail dans les deux images. Sur un mur blanc uni, il n’y a rien à apparier. Les ingénieurs d’Intel ont donc ajouté un projecteur infrarouge qui dessine sur la scène un motif de points invisible pour nous, mais pas pour les caméras. Avec ce seul éclairage, en intérieur, la caméra obtenait encore une distance pour plus de 95 % des points d’un mur blanc placé à environ 6 mètres.
D’autres capteurs complètent la caméra
Un lidar balaie la scène avec des faisceaux laser et estime la distance à partir de leur retour. D’autres capteurs envoient un signal lumineux et mesurent le temps qu’il met à revenir. Chacun a ses points faibles : l’obscurité gêne une caméra ordinaire, le verre et les surfaces brillantes trompent souvent la lumière réfléchie, la pluie disperse les faisceaux. Combiner plusieurs mesures permet de lever certaines ambiguïtés, à condition de connaître précisément la position de chaque capteur, la synchronisation de leurs mesures et leurs erreurs typiques.
Une bonne action tient compte du doute
Si le robot hésite sur la position de la tasse, il peut chercher un meilleur point de vue ou ralentir son approche, lorsqu’il a été conçu pour cela. On évalue donc la perception dans les conditions où la machine doit agir : lumière changeante, objet à demi caché, scène encombrée, robot en mouvement. Une étiquette affichée avec assurance renseigne sur ce que le modèle a reconnu, pas sur la réussite du geste.
La précision nécessaire dépend de la tâche. Situer un meuble à quelques centimètres près suffit pour l’éviter ; il en faut bien davantage pour attraper une anse sans renverser la tasse. Pour un robot, voir consiste à estimer la scène avec une marge d’erreur connue, puis à choisir un geste qui reste sûr à l’intérieur de cette marge.
Ce qu’on garde en tête.
- Une caméra mesure de la lumière pixel par pixel ; objets et distances sont des déductions.
- Avec deux caméras, la distance se lit dans un décalage qui rétrécit avec l’éloignement : l’erreur grandit environ comme le carré de la distance.
- Une perception utile se juge à la précision qu’exige le geste : éviter un mur ou saisir une anse.
Ce que l’on sait. Ce qui reste ouvert.
Les caméras fournissent des mesures et des indices. Reflets, manque de texture, obstacles et mauvais éclairage peuvent dégrader les estimations. Les chiffres cités décrivent une famille de caméras de profondeur mesurée par son fabricant ; d’autres systèmes ont d’autres performances. Le dessin à deux caméras illustre un principe de profondeur, sans reproduire toute la vision d’un robot.
UN PETIT DÉCLIC POUR LA ROUTE
Un robot mesure les distances avec deux caméras fixes. Que devient la précision quand l’objet s’éloigne ?
Remonter à la source.
- The Summer Vision Project (AI Memo 100)Seymour Papert · MIT, juillet 1966 · Note de recherche en anglais↗
- Intel RealSense Stereoscopic Depth CamerasKeselman et al. · CVPR Workshops 2017 · Article de recherche en anglais↗
- Calibration et reconstruction 3DOpenCV · Documentation technique en anglais↗
- Tutoriels de calibration et reconstructionOpenCV · Tutoriels en anglais↗
Sources consultées le 9 octobre 2026. Rédaction assistée par IA, sans relecture indépendante d’expert à ce stade.
Signaler une erreur ou proposer une précision