Un système temps réel ne se juge pas sur une démonstration en laboratoire mais sur une journée complète de fonctionnement, avec de la poussière, des reflets et un réseau qui flanche. Nous concevons des chaînes capteur, traitement et affichage qui tiennent dans ces conditions, de la calibration du LiDAR à la projection finale.
Détecter un impact, un passage, une position ou un geste à partir d'un nuage de points ou d'un flux vidéo, avec une latence mesurée et un taux de faux positifs connu. Nous avons conçu un système de lancer de haches numérique où chaque impact sur la cible est localisé par un LiDAR Livox Mid-360 et projeté sur la cible en temps réel, sur plusieurs pistes en parallèle.
Classification, détection et segmentation entraînées sur vos données (contrôle qualité, comptage, lecture de documents visuels), avec jeu de test figé et métriques explicites avant déploiement.
Backend Python asynchrone, WebSockets, files d'événements et affichages synchronisés (projecteurs, tablettes, tableaux de bord). Le système doit redémarrer seul et rester cohérent après une coupure.
Loisirs, événementiel, retail, musées : nous relions capteurs, logique de jeu, affichage et supervision dans un ensemble que votre personnel sur place peut exploiter sans nous.
Conditions de lumière, distances, vibrations, réseau, contraintes de sécurité. Nous choisissons les capteurs après avoir vu le lieu, pas avant, et nous disons clairement si un capteur moins cher suffit.
Un banc d'essai avec les vrais capteurs, des enregistrements rejouables et des métriques de latence et de précision mesurées dès le départ. Les enregistrements servent ensuite de jeu de test permanent.
Reconnexion automatique, redémarrage propre, supervision, procédure de calibration reproductible par votre équipe. C'est l'étape qui distingue une démo d'un système exploité.
Installation sur site, documentation, formation du personnel, tableau de bord de suivi. Nous restons disponibles pour l'évolution du système et le suivi des capteurs.
Détection d'impact par LiDAR Livox Mid-360, backend Python et WebSockets, projection des cibles et scores en temps réel, application tablette React Native pour les pistes et tableau de bord de supervision Next.js et Supabase.
Réseau convolutif PyTorch entraîné et évalué sur un jeu de données métier, avec suivi des métriques par version de modèle et export pour inférence sur machine standard.
Chaîne de génération et de retouche d'images par lot (modèles de diffusion, fichiers vectoriels), intégrée aux outils de production de l'équipe.
Cela dépend de ce que vous devez détecter et dans quelles conditions. Le LiDAR est insensible à la lumière et donne des positions précises ; la caméra est moins chère et permet de reconnaître des formes ou des textures. Nous tranchons après la visite du site, parfois en combinant les deux.
Nous ne garantissons pas un chiffre avant d'avoir mesuré avec vos capteurs et votre matériel. Sur une chaîne LiDAR, traitement et projection bien dimensionnée, la réaction est perçue comme instantanée par l'utilisateur ; nous livrons les mesures avec le système.
Il doit redémarrer seul et revenir dans un état cohérent. Nous concevons la reconnexion des capteurs, la reprise des affichages et la supervision dès le prototype, et nous testons les coupures volontairement avant la mise en service.
Pas toujours. La détection géométrique sur nuage de points tourne sur un processeur standard. Les réseaux de neurones en inférence peuvent souvent fonctionner sur une machine modeste ; le GPU devient nécessaire pour l'entraînement ou pour des flux vidéo à haute cadence.
Une démo marche une fois. Un système marche toute la journée.
Parler de votre projet