Découvrez nos
ressources

‍

Cette activité permet d’explorer le fonctionnement d’un capteur de couleurs avec le robot LEGO Spike et de découvrir comment l’intelligence artificielle peut apprendre à reconnaître et réagir à des couleurs spécifiques, via un processus appelé apprentissage supervisé.

Les élèves vont construire un tri-objet simple, entraîner un modèle IA, et observer comment il peut fonctionner en autonomie. La suite logique de cette activité est de construire un trieur de déchets.

🧩 Objectifs de l’activité

• Comprendre comment un capteur de couleur fonctionne.
• Entraîner un modèle d’IA à réagir à des couleurs spécifiques.
• Expérimenter la généralisation : que se passe-t-il si une couleur n’a pas été vue pendant l’apprentissage ?
• Découvrir les limites et les forces de l’apprentissage automatique dans un contexte concret.

🛠️ Matériel nécessaire

• 1 set LEGO Spike Prime par groupe de 2 à 3 élèves.
• Ordinateur avec le logiciel AlphAI installé.
• Objets de différentes couleurs (idéalement des briques LEGO et des objets non-LEGO).

🚀 Étapes de l’activité

1. Configurer le capteur de couleur
   • Dans AlphAI, allez dans l’onglet « Capteurs », sélectionnez « Capteur de couleur », puis choisissez « LEGO bricks – 9 couleurs ».
2. Tester la reconnaissance des couleurs
   • Passez différentes briques sous le capteur pour observer lesquelles sont correctement reconnues.
   • Discutez des limites : certaines nuances proches sont parfois mal interprétées.
3. Définir les actions associées aux couleurs
   • Dans l’onglet « Actions », sélectionnez des actions simples (sons, émoticônes, mouvements).
   • Attribuez une action par couleur détectée.
4. Entraîner le modèle
   • Activez le mode « Apprentissage ».
   • Montrez une couleur au capteur, puis cliquez sur l’action à associer.
   • Répétez pour chaque couleur. Le compteur de données d’apprentissage augmente à chaque exemple.
5. Tester le mode autonome
   • Cliquez sur le bouton « Autonome ».
   • Le robot exécute alors automatiquement l’action correspondant à la couleur détectée, d’après ce qu’il a appris.
6. Tester la généralisation
   • Essayez avec une couleur non utilisée à l’apprentissage (ex. orange si seul le rouge a été entraîné). Le robot choisit alors l’action la plus proche.

🧹 Nettoyage des données

Il est possible de revoir les données d’apprentissage :

• Supprimez les données mal étiquetées.
• Observez l’impact de données biaisées ou en trop faible quantité.

Cela permet de comprendre l’importance d’un jeu de données propre et équilibré dans tout projet d’IA.

🌈 Mode avancé : détection en RGB

Pour aller plus loin, activez le mode « RGB » dans l’onglet capteur :

• Le capteur n’identifie plus des couleurs fixes mais lit les valeurs Rouge, Vert, Bleu (entre 0 et 255).
• Cela permet de détecter des objets non-LEGO aux couleurs plus variées.

Les élèves peuvent alors entraîner de nouveaux comportements en fonction de la lecture RGB, ce qui rend le tri plus réaliste pour des objets du quotidien.

🧠 En résumé

Cette activité met en lumière :

• Les fondements de l’apprentissage supervisé.
• L’importance des données d’entraînement dans la performance d’un modèle IA.
• Les applications concrètes de l’IA dans des scénarios simples mais réalistes (tri de déchets, reconnaissance visuelle, etc.).

‍