<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Bertrand Selva on Medium]]></title>
        <description><![CDATA[Stories by Bertrand Selva on Medium]]></description>
        <link>https://medium.com/@administrateur_55627?source=rss-00ee7537a91a------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*rnixXvx7YpYf3mhZ</url>
            <title>Stories by Bertrand Selva on Medium</title>
            <link>https://medium.com/@administrateur_55627?source=rss-00ee7537a91a------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 06:44:39 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@administrateur_55627/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[2040: When Data Flow Exceeds Imagination]]></title>
            <link>https://medium.com/@administrateur_55627/2040-when-data-flow-exceeds-imagination-2cf3eaed3be4?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/2cf3eaed3be4</guid>
            <category><![CDATA[exponential-growth]]></category>
            <category><![CDATA[jacques-ellul]]></category>
            <category><![CDATA[cyberpunk]]></category>
            <category><![CDATA[technology-trends]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Tue, 03 Sep 2024 07:58:37 GMT</pubDate>
            <atom:updated>2024-09-03T07:58:37.725Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Technique vs. Technology According to Jacques Ellul</strong></h3><p>I have to admit, I don’t read much philosophy. My main interest lies in technology. However, this interest leads me to think about its role in our society. Jacques Ellul, a French philosopher and sociologist, wrote extensively about the influence of technology, particularly in his seminal book <em>The Technological Society</em> (1954). In this work, Ellul distinguishes between “technique” — the set of methods and processes used to solve problems — and “technology,” which represents the materialization of technique into autonomous systems. According to Ellul, technique is neutral and can be positive as long as it remains under human control. However, when it transforms into technology, it tends to escape that control, imposing its own goals, often to the detriment of its users.</p><h3><strong>Ellul’s Predictions That Came True</strong></h3><p>Ellul predicted that technology would become an autonomous force, escaping human control and dominating all aspects of life. Considering our current lifestyle, where digital tools deeply influence how we communicate, work, meet people, learn, and so on, it’s clear that he wasn’t wrong. Quite the opposite, in fact.</p><p>To get a sense of the ongoing transformations, here’s a curve showing the evolution of the amount of data used per person per day:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*my2oxPsqZkB0I8ERwFiGcA.png" /></figure><p>This reveals two key points:</p><ol><li>This is a very recent phenomenon in human history, just over 30 years old.</li><li>It’s a particularly brutal phenomenon, with truly exponential growth.</li></ol><h3><strong>The Reality: Exponentials in Physics and Their Inevitable End</strong></h3><p>If we maintain this exponential trend, we could reach around 100 terabytes/day/person by 2040… I feel confident in saying: that won’t happen. This means that in the next decade, we’re likely to experience a break between growing demand and the material capacity to sustain such traffic.</p><p>In physics, especially when dealing with dynamic systems, exponential growth doesn’t last indefinitely. There always comes a point where something intervenes to alter this dynamic — whether it’s saturation, collapse, or a regime change. If we apply this logic to the exponential growth of bytes transmitted daily, we can try to imagine what might happen in the coming years.</p><h3><strong>Looking Ahead: 2040</strong></h3><p>I chose 2040 because, by then, the number of bytes/day/person could surpass the incoming data flow into a human being through their senses, which is about 10 terabytes per day. If this future materializes, humanity will have been profoundly transformed. One could say that a “digital sixth sense” will have become a reality, integrating data as a constant flow into our perception of the world, blurring the line between virtual, augmented, and physical reality.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6_El8TDndL34ghQ6s6_whA.png" /></figure><h3><strong>Four Possible Evolution Scenarios</strong></h3><p>Drawing inspiration from dynamic systems in physics, several evolution scenarios can be outlined. Being a fan of science fiction, I’ll borrow some examples from literature to illustrate my points:</p><h4><strong>Explosion or Singularity: A Cyberpunk Scenario</strong></h4><p>Continued growth could lead to a data explosion, where technology becomes utterly uncontrollable. Deep Learning evolves thanks to a technical revolution and the vast amount of data available for training. This scenario echoes the dystopias of the cyberpunk genre, like <em>Neuromancer</em> or <em>Blade Runner</em>, where society is dominated by omnipresent technology, creating total surveillance and extreme dependence on AI. The world, in a sense, is destroyed, and humans become just another machine.</p><h4><strong>Collapse: The Data Crash</strong></h4><p>A sudden collapse could occur, perhaps due to a major energy crisis, a massive cyberattack, etc. This would force a regression of our digital society, with massive disruptions in communications, finance, and essential services. Even a brief crisis could have long-term consequences that are hard to imagine. We could experience a <em>Mad Max</em> scenario.</p><h4><strong>Model Transcendence: A Global Revolution</strong></h4><p>Exhaustion of current models could catalyze a technological and political revolution. This might coincide with a deep shift in globalization, moving towards a more local and sustainable approach. Emerging technologies could reshape our economic and social systems (for example, an extremely abundant and cheap energy source). This scenario would correspond to the universe described in Iain M. Banks’ <em>The Culture</em>, where humans live their best lives and embark on space adventures aboard grand cruise ships! Phew!</p><h4><strong>Saturation: Equilibrium Reached</strong></h4><p>Data growth slows and reaches a plateau, but this transition wouldn’t be smooth. Infrastructure could be strained, investments might become excessive in a vain attempt to compensate, and a difficult rebalancing would be necessary. This would require state regulation, further slowing globalization and opening a period of uncertainty and relative chaos, amid an aggravated economic crisis. This is the least catastrophic scenario, even if it’s not very optimistic, and in my opinion, the most likely one…</p><h3><strong>Conclusion: Reflecting on Ellul</strong></h3><p>In conclusion, Jacques Ellul’s reflections on technique and technology are more relevant than ever in the context of exponential data growth. Whether this growth reaches a plateau, collapses, explodes, or leads to a revolution, it’s clear that technology, as Ellul described it, will continue to play a central role in the evolution of our society and has already profoundly transformed it. And it’s strange that this topic remains relatively absent from public debates.</p><p>What’s worrying is that we’re approaching a critical point. It’s essential to keep Ellul’s warnings in mind and carefully consider how we want to shape our post-transition technological future. To do so, it’s imperative that humans reclaim control over technique and stop delegating entire aspects of their lives to technological systems that escape their control.</p><p>Another key lies in the resilience of infrastructure and networks, particularly through the adoption of edge computing. This approach, combined with a revision of how we design and plan the evolution of our infrastructure (we need to think in long-term cycles for essential things), could offer a way to reduce pressure on centralized data networks and create a more resilient model for the future.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2cf3eaed3be4" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[2040 : Quand le Flux de Données Dépasse l’Imagination]]></title>
            <link>https://medium.com/@administrateur_55627/2040-quand-le-flux-de-donn%C3%A9es-d%C3%A9passe-limagination-03f385e1ccec?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/03f385e1ccec</guid>
            <category><![CDATA[jacques-ellul]]></category>
            <category><![CDATA[cyberpunk]]></category>
            <category><![CDATA[exponential-growth]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Mon, 02 Sep 2024 19:32:48 GMT</pubDate>
            <atom:updated>2024-09-03T13:27:57.230Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>2040 : Quand le Flux de Données Dépasse l’Imagination</strong></h3><h3>Technique vs Technologie selon Jacques Ellul</h3><p>Faut être honnête, je ne lis pas beaucoup de philosophie. Mon domaine de prédilection, c’est la technique. Pourtant, cet intérêt m’amène à réfléchir à son rôle dans notre société. Jacques Ellul, philosophe et sociologue français, a beaucoup écrit sur l’influence de la technique, notamment dans son livre phare “La technique ou l’enjeu du siècle” publié en 1954. Dans cet ouvrage, Ellul distingue la technique — l’ensemble des méthodes et procédés utilisés pour résoudre des problèmes — de la technologie, qui représente la matérialisation de la technique dans des systèmes autonomes. Selon Ellul, la technique est neutre et peut être positive tant qu’elle reste sous contrôle humain. Cependant, lorsqu’elle se transforme en technologie, elle tend à échapper à ce contrôle, imposant ses propres finalités, souvent au détriment des utilisateurs.</p><h3><strong>Les Prédictions d’Ellul qui se sont Révélées Justes</strong></h3><p>Ellul avait prédit que la technologie deviendrait une force autonome, échappant au contrôle humain et dominant tous les aspects de la vie. Au vu de notre mode de vie actuel où les outils numériques influencent profondément la manière dont nous communiquons, travaillons, faisons des rencontres, apprenons, etc, on ne peut pas dire qu’il se soit trompé…</p><p>Pour essayer de se rendre compte des transformations en cours, voici une courbe où est visible l’évolution de la quantité de données utilisées chaque jour par personne depuis les années 70.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*bhq4pCIzz3L2_ea9iq9-XQ.png" /><figcaption>1970 ~100 octets ; 1980 ~10,000 octets ; 1990 ~100,000 octets ; 2000 ~1 million d’octets ; 2015 ~5 gigaoctets; 2020 ~50 gigaoctets</figcaption></figure><p>On se rend compte de deux choses :</p><ul><li>C’est un phénomène très récent dans l’histoire humaine, à peine plus de 30 ans.</li><li>C’est un phénomène particulièrement brutal, avec une croissance véritablement exponentielle.</li></ul><h3>Prospective : Horizon 2040</h3><p>J’ai choisi 2040, car le nombre d’octets/jour/personne pourrait dépasser, si la tendance actuelle se poursuit, le flux de données entrants dans un être humain par ses sens, qui représente environ 10 téraoctets par jour. Si ce futur se réalise, l’humanité aura été déjà profondément transformée. On pourrait dire qu’un “sixième sens numérique” serait devenu une réalité, intégrant les données comme un flux constant dans notre perception du monde, brouillant la limite entre réalité virtuelle, augmentée et réalité physique. Mais je ne crois pas à ce futur car la croissance exponentielle actuelle s’appuie sur une augmentation de la puissance de calcul déjà en décrochage, qui ne suis plus la loi de Moore et une diminution du cout du byte transmis, qui même s’il est très important, ne suis pas une tendance exponentielle.</p><h3><strong>Les Exponentielles en Physique et Leur Fin Inévitable</strong></h3><p>En physique, en particulier lorsqu’on s’intéresse aux systèmes dynamiques, les croissances exponentielles ne durent pas indéfiniment. Il arrive toujours un moment où quelque chose intervient pour modifier cette dynamique, qu’il s’agisse d’une saturation, d’un effondrement, ou d’un changement de régime. Si nous appliquons cette logique à la croissance exponentielle du nombre d’octets transmis chaque jour, on peut essayer d’imaginer ce qu’il va advenir dans les prochaines années.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bsp2bgHXTkT_txMFEYPOwg.png" /></figure><h3><strong>Les 4 Scénarios d’Évolution Possible</strong></h3><p>Inspirés par les systèmes dynamiques en physique, plusieurs scénarios d’évolution peuvent être dégagés. Étant fan de SF, je vais faire quelques emprunts à la littérature pour illustrer mon propos :</p><h4><strong>Explosion ou Singularité : Un Scénario Cyberpunk</strong></h4><p>La croissance continue, même si elle ne suis plus un croissance exponentielle, pourrait mener à une explosion des données, où la technologie devient absolument incontrôlable. Le Deep Learning évolue grâce à une révolution technique et aux données monumentales disponibles pour les entraînements. Ce scénario rappelle les dystopies du genre cyberpunk, comme <em>Le Neuromancien</em> ou <em>Blade Runner</em>, où la société est dominée par une technologie omniprésente, créant une surveillance totale et une dépendance extrême à l’IA. Le monde est pour ainsi dire détruit et l’homme devient une machine comme une autre.</p><h4><strong>Effondrement : Le Crash des Données</strong></h4><p>Un effondrement soudain pourrait se produire, par exemple à cause d’une crise énergétique majeure, d’une attaque cybernétique massive, etc. Cela entraînerait une régression forcée de notre société numérique, avec des perturbations massives dans les communications, la finance, et les services essentiels. Même une crise ponctuelle pourrait entraîner des répercussions à long terme difficiles à imaginer. C’est le scénario <em>Mad Max</em>.</p><h4><strong>Transcendance de Modèle : Une Révolution Mondiale</strong></h4><p>Un épuisement des modèles actuels pourrait catalyser une révolution technologique et politique. Cela pourrait coïncider avec un changement profond de la mondialisation, qui permettrait une approche plus locale et plus durable. Les technologies émergentes pourraient remodeler nos systèmes économiques et sociaux. Par exemple cela pourrait correspondre avec la découverte d’une source d’énergie extrêmement abondante, décentralisée et très peu chère. C’est le scénario qui correspondrait à ce qui est décrit dans <em>La Culture</em> de Iain M. Banks. Les hommes vivent ensuite leur meilleure vie et partent à la conquête de l’espace sur des grands vaisseaux de croisière ! Ouf !</p><h4><strong>Saturation : L’Équilibre Atteint</strong></h4><p>La croissance des données ralentit et atteint un plateau, mais cette transition ne se ferait pas sans heurts. Les infrastructures pourraient être mises sous pression, les investissements pourraient devenir excessifs dans la veine tentative de compenser, et un rééquilibrage difficile serait nécessaire. Nécessitant une régulation des États, ralentissant encore la mondialisation, ouvrant ainsi une période d’incertitude et de chaos relatif, sous fond de crise économique aggravée. C’est le scénario le moins catastrophique même s’il n’est pas très réjouissant, et à mon sens le plus crédible…</p><h3><strong>Conclusion : Retour sur Ellul</strong></h3><p>En conclusion, les réflexions de Jacques Ellul sur la technique et la technologie sont plus pertinentes que jamais dans le contexte de la croissance exponentielle des données. Que cette croissance atteigne un plateau, s’effondre, explose ou conduise à une révolution, il est clair que la technologie, telle qu’Ellul l’a décrite, jouera un rôle central dans l’évolution de notre société et l’a déjà profondément transformée.</p><p>Ce qui est inquiétant, c’est que nous approchons du point critique. Il est essentiel de garder à l’esprit les avertissements d’Ellul et de réfléchir soigneusement à la manière dont nous voulons façonner notre avenir technologique post-transition. Il me semble qu’une voie possible est que l’homme se réapproprie la technique, cesse de déléguer des pans entiers de sa vie à des systèmes technologiques qui échappent à son contrôle et commence à penser aux finalités des techniques qu’ils déploient.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=03f385e1ccec" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Robots or Humans: Who Are the Better Athletes?]]></title>
            <link>https://medium.com/@administrateur_55627/robots-or-humans-who-are-the-better-athletes-2673577d31f1?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/2673577d31f1</guid>
            <category><![CDATA[robotics]]></category>
            <category><![CDATA[human-vs-robots]]></category>
            <category><![CDATA[boston-dynamics]]></category>
            <category><![CDATA[terminator]]></category>
            <category><![CDATA[allometric-models]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Sun, 01 Sep 2024 14:30:15 GMT</pubDate>
            <atom:updated>2024-09-01T14:58:57.645Z</atom:updated>
            <content:encoded><![CDATA[<h3><strong>Are T-800s Athletes?</strong></h3><p>Since the dawn of robotics, one question has been on everyone’s mind: could robots one day surpass humans? Boston Dynamics’ robots, especially the Atlas robot, have stirred up controversy by demonstrating remarkable movement capabilities. With the advent of sophisticated humanoid robots, this question is becoming increasingly relevant. Here, I attempt to compare the athletic performances of robots and humans, focusing on overall design efficiency rather than brute power.</p><h3><strong>The Animal Kingdom: The Jumping Law</strong></h3><p>A good starting point is to study a law that has always intrigued me: the jumping law, which predicts the possible jump height for animals, including humans, based on their size, muscle power, etc.</p><p>When an animal jumps, it converts the mechanical energy provided by its muscles into kinetic energy, which is then transformed into potential energy at the peak of the jump. The initial take-off speed <em>v </em>can be expressed by the following relation:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/110/1*E3jV7VfD8JDCECu3v5Sf-g.png" /></figure><p>where:</p><ul><li><em>t </em>is the push-off time,</li><li><em>m</em> is the mass of the animal,</li><li><em>P</em> is the muscle power.</li></ul><p>In biology, a fundamental law called allometry describes the relationship between the size of an organism and the various characteristics of its body, such as limb length, muscle mass, and even metabolism. More specifically, allometry indicates that the limb length <em>L </em>of an animal is proportional to its body mass <em>m</em> raised to the power of 1/3:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/111/1*umBfTZ-w8nRuEtzCr6NN1A.png" /></figure><h3><strong>Why This Relationship?</strong></h3><p>This relationship arises from the fact that the physical dimensions of animals cannot grow linearly with their mass without compromising their structure or function. As an animal grows, its mass increases faster than its linear dimensions. To maintain optimal functionality, nature has adjusted limb length to body mass according to this allometric law.</p><h4><strong>Manifestations in Nature</strong></h4><ul><li><strong>Bone Structure:</strong> For example, the bones of large animals like elephants are much thicker in proportion to their size than those of small animals like mice. This thickness is necessary to support the increasing weight while avoiding fractures.</li><li><strong>Muscle Efficiency:</strong> Similarly, muscles must be proportionately more powerful to allow the same movements in a large animal. However, due to biomechanical constraints, longer limbs cannot simply be “enlarged” in proportion to the total mass without losing efficiency.</li></ul><p>Here, we assume that the limb length corresponds approximately to the available length for the initial push-off during the jump. Knowing the speed expressed earlier, we can deduce the push-off time. By combining this relationship with the conservation of energy (kinetic energy converted into potential energy), we obtain an expression for the jump height <em>h</em>:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/180/1*0Et-vpiKbxvLIx-lonAzZg.png" /></figure><p>where <em>K </em>is a prefactor that varies according to the species and specific adaptations of the animal.</p><h4><strong>Identifying K</strong></h4><p>If our law works, we should find a <em>K </em>that is fairly constant across different animals.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/944/1*XEtThf8s4F8QmpNpRFVMSw.png" /><figcaption>These values show a certain consistency in K, indicating optimized biomechanical efficiency across animal species. The cat and the horse, particularly well-adapted for jumping, have a higher K compared to other animals.</figcaption></figure><p>And this is indeed the case! These values show a certain constancy of <em>K</em>, indicating optimized biomechanical efficiency across animal species. Cats or horses, particularly well-adapted for jumping, show a higher <em>K </em>compared to other animals.</p><h3><strong>What About Robots?</strong></h3><h4><strong>The Allometric Law Does Not Apply to Robots</strong></h4><p>Of course, the allometric law does not apply to robots. This law, derived from evolution, means that for a given mass, nature has optimized limb length (muscles, bones, etc.) to balance performance and survival. Robots, on the other hand, are not bound by these biological constraints, are made of different materials, and above all, do not yet have a perfected design.</p><p>To establish a similar law for robots would require a very long design experience. Nature took hundreds of millions of years to perfect living organisms, while humanoid robotics is still in its infancy. Each robot design is unique, using different materials, actuators, and technologies, making it difficult to apply a universal law, and it will take humans time to find an optimum.</p><h4><strong>Focus on Humanoid Robots</strong></h4><p>However, if we focus on humanoid robots, like Boston Dynamics’ Atlas, we can keep some elements of our previous discussion, adding the fact that limb length can be directly estimated from the individual’s height. For a humanoid, the leg length indeed represents a more or less constant ratio of its total height.</p><h4><strong>Atlas</strong></h4><p>Manufacturers are rather secretive about the details of their robot. Here’s how I tried to fill in the gaps. In a relatively old article, we learn that the robot has an autonomy of one hour in motion with a 3700 Wh battery. If we consider that 20% of the energy is used for computing and the rest is for the actuators, and that the hydraulic efficiency, including Atlas’s pump group, is around 80%, we arrive at a power available for the actuators of 2,300 W. This is an estimate, but if you know the value, feel free to share it!</p><ul><li><strong>Weight:</strong> 89 kg</li><li><strong>Estimated jump height from videos:</strong> 0.4 m</li><li><strong>Height:</strong> 1.5 m</li></ul><h4><strong>The Outsider: Humans</strong></h4><ul><li><strong>Weight:</strong> 70 kg</li><li><strong>Power:</strong> 300 W</li><li><strong>Jump height:</strong> 0.3 m</li><li><strong>Height:</strong> 1.75 m</li></ul><p>By taking all the elements of our formula and directly including the individual’s height, we get:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/163/1*-AknLL7AlDuPMl9yAMsL3w.png" /></figure><p>And bam! Atlas, you’ve been outdone!</p><ul><li>Human: K2≈0.79</li><li>Atlas: K2≈0.36</li></ul><p>Obviously, there are quite a few approximations in our calculations, and we may have slightly underestimated human power during the jump. But let’s be honest, we can afford a little bias when the competitor resembles a T-800…</p><h3><strong>Conclusion</strong></h3><p>The <em>K2</em> factor is significantly lower for Atlas than for a human. This suggests that while robots like Atlas are impressive in their design, the overall efficiency of their design for jumping is still inferior to that of a human body. At Boston Dynamics, they are very skilled, but for now, the honor of humans is preserved: we remain the best athletes, at least in terms of jumping.</p><p>And this is understandable: our entire body is mobilized in a complex movement. A robot, even with significant brute power, cannot yet compete with the mass distribution and dynamic agility of a human body. Indeed, human biomechanics have been optimized by evolution to maximize movement efficiency by making the best use of body mass distribution, tendon elasticity, and muscle coordination. These elements, difficult to mechanically reproduce, give humans a clear advantage in complex tasks like jumping.</p><h3><strong>Robots with Electric Actuators</strong></h3><p>A growing trend in humanoid robotics is the use of electric actuators rather than hydraulic ones.</p><p>Electric actuators are preferred because they are:</p><ul><li>Less expensive,</li><li>Quieter,</li><li>Do not require hydraulic fluids, thus avoiding leaks and maintenance issues (also, hydraulic oils often have an unpleasant odor).</li></ul><p>However, they present major drawbacks, notably a lower power-to-weight ratio compared to hydraulic actuators. This means that the available power for a robot is often limited, as the space available for actuators limits their power based on its size.</p><p>Take Honda’s ASIMO as an example. The average power for walking is 140 W. The robot’s weight is 54 kg and its height is 1.3 m. With such limited power, jumping is impossible for ASIMO. No matter how efficiently it uses its resources, its performance is far below that of a human, particularly in terms of jumping.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*0jDGU5GZHSbyfW-y1FREvA.png" /><figcaption>ChatGPT, you’re not ready for “Skynet”: your army is not ready.</figcaption></figure><p>While humanoid robots like Atlas can rival humans in terms of brute strength, they have not yet achieved the biomechanical efficiency of humans for dynamic tasks like jumping. Robots with electric actuators, though promising in terms of cost and maintenance, are still limited by their low power-to-weight ratio. Thus, despite impressive advances, humanity retains for now its status as the best athlete, at least in this specific domain. But with the rapid progress in robotics, how long will this last?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2673577d31f1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Robots ou humains, qui sont les meilleurs athlètes ?]]></title>
            <link>https://medium.com/@administrateur_55627/robots-ou-humains-qui-sont-les-meilleurs-athl%C3%A8tes-61fa4f77ee34?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/61fa4f77ee34</guid>
            <category><![CDATA[similarity]]></category>
            <category><![CDATA[terminator]]></category>
            <category><![CDATA[robots]]></category>
            <category><![CDATA[boston-dynamics]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Fri, 30 Aug 2024 18:01:33 GMT</pubDate>
            <atom:updated>2024-12-04T11:12:53.004Z</atom:updated>
            <content:encoded><![CDATA[<h3>Robots ou humains, qui sont les meilleurs athlètes ?</h3><h3>Les T-800 sont-ils des athlètes ?</h3><p>Depuis l’aube de la robotique, une question brûle les esprits : les robots pourraient-ils un jour surpasser les humains ? Les robots de <em>Boston Dynamics</em> ont semé le trouble, notamment le robot Atlas, car il a montré des aptitudes remarquables à se mouvoir. Avec l’avènement de robots humanoïdes sophistiqués actuels cette question devient de plus en plus pertinente. Je fais une tentative ici pour comparer les performances athlétiques des robots et des hommes, en essayant de mettre en avant l’efficacité global du “design” et pas la puissance brute.</p><h3>Le Monde Animal : La Loi du Saut</h3><p>Un bon point de départ est d’étudier une loi qui m’a toujours interpellé : la loi du saut, qui prédit la hauteur de saut possible pour les animaux, homme compris, en fonction de leur taille, de leur puissance musculaire, etc.</p><p>Lorsqu’un animal saute, il convertit l’énergie mécanique fournie par ses muscles en énergie cinétique, laquelle est ensuite transformée en énergie potentielle à l’apogée du saut. La vitesse initiale de décollage <em>v</em> peut ainsi être exprimée par la relation suivante :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/162/1*tLkN4otVcRW__TT_lUW5fA.png" /></figure><p>où :</p><ul><li><em>t</em> est le temps de poussée,</li><li><em>m</em> est la masse de l’animal.</li><li><em>P </em>est la puissance musculaire.</li></ul><p>En biologie, une loi fondamentale appelée allométrie décrit la relation entre la taille d’un organisme et les différentes caractéristiques de son corps, telles que la longueur des membres, la masse musculaire, et même le métabolisme. Plus spécifiquement, l’allométrie indique que la longueur des membres <em>L</em> d’un animal est proportionnelle à sa masse corporelle <em>m</em> élevée à la puissance 1/3 :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/83/1*sYIm8qwjNw3VcRMB6f-Rtw.png" /></figure><h4>Pourquoi cette relation ?</h4><p>Cette relation découle du fait que les dimensions physiques des animaux ne peuvent pas croître de manière linéaire avec leur masse sans compromettre leur structure ou leur fonction. À mesure qu’un animal grandit, sa masse augmente plus rapidement que ses dimensions linéaires. Pour maintenir une fonctionnalité optimale, la nature a ajusté la longueur des membres à la masse corporelle en suivant cette loi allométrique.</p><h4>Manifestations dans la Nature</h4><ul><li><strong>Structure des os</strong> : Par exemple, les os des gros animaux, comme les éléphants, sont beaucoup plus épais en proportion de leur taille que ceux des petits animaux comme les souris. Cette épaisseur est nécessaire pour supporter le poids croissant tout en évitant les fractures.</li><li><strong>Efficacité musculaire</strong> : De même, les muscles doivent être proportionnellement plus puissants pour permettre les mêmes mouvements chez un grand animal. Toutefois, en raison des contraintes biomécaniques, les membres plus longs ne peuvent pas simplement être “agrandis” en proportion de la masse totale sans perdre en efficacité.</li></ul><p>Nous faisons l’hypothèse ici que la longueur des membres correspond à peu près à la longueur disponible pour la poussée initiale lors du saut. Connaissant la vitesse, exprimée précédemment, on peut en déduire le temps de poussée. En combinant cette relation avec la conservation de l’énergie (énergie cinétique convertie en énergie potentielle), nous obtenons une expression pour la hauteur de saut <em>h</em> :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/141/1*n-o2OVeOYlsLX-uBKEP9sA.png" /></figure><p>où <em>K </em>est un préfacteur qui varie selon l’espèce et les adaptations spécifiques de l’animal.</p><h3>Identification de K</h3><p>Si notre loi fonctionne, on devrait trouver un <em>K </em>à peu près constant quel que soit l’animal considéré. Et c’est bien le cas !</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*7UHqTpLNX1qBKyz_OPoVmw.png" /><figcaption>Ces valeurs montrent une certaine constance de K, indiquant une efficacité biomécanique optimisée à travers les espèces animales. Le chat ou le cheval, particulièrement bien adaptés au saut, montrent un K supérieur aux autres animaux.</figcaption></figure><p>Ces valeurs montrent une certaine constance du préfacteur <em>K</em>, indiquant une efficacité biomécanique optimisée à travers les espèces animales. Le chat ou le cheval, particulièrement bien adaptés au saut, montrent un <em>K</em> supérieur aux autres animaux.</p><h3>Qu’en est-il des robots ?</h3><h4>La Loi Allométrique n’est pas Applicable aux Robots</h4><p>Bien entendu, la loi allométrique n’est pas applicable aux robots. Cette loi, dérivée de l’évolution, signifie que pour une masse donnée, la nature a optimisé la longueur des membres (muscles, os, etc.) pour un compromis entre performance et survie. Les robots, en revanche, ne sont pas limités par ces contraintes biologiques, ne sont pas faits des mêmes matériaux, et surtout ne peuvent pas encore se targuer d’avoir un design abouti.</p><p>Pour établir une loi similaire pour les robots, il faudrait une très longue expérience de conception. La nature a pris des centaines de millions d’années pour perfectionner les organismes vivants, alors que la robotique humanoïde en est encore à ses balbutiements. Chaque design de robot est unique, utilisant différents matériaux, actionneurs, et technologies, rendant difficile l’application d’une loi universelle et les hommes mettront du temps à trouver un optimum.</p><h3>Focus sur les Robots Humanoïdes</h3><p>Cependant, si nous nous concentrons sur les robots humanoïdes, comme Atlas de <em>Boston Dynamics</em>, nous pouvons comparer certains éléments de notre discussion antérieure en rajoutant le fait que la longueur des membres peut être estimée directement par la hauteur de l’individu. Pour un humanoïde en effet, la longueur des jambes représente un ratio plus ou moins constant de sa hauteur totale.</p><h4>Atlas</h4><p>Les constructeurs sont plutôt avares de détails concernant leur robot. Voici comment j’ai fait pour essayer de combler les trous. Dans un article relativement ancien, on apprend que le robot a une autonomie d’une heure en mouvement avec une batterie de 3700 Wh. Si l’on considère que 20 % de l’énergie sert à l’informatique et que le reste est destiné aux actionneurs, et que le rendement hydraulique, incluant le groupe motopompe de l’Atlas, est voisin de 80 %, on arrive à une puissance disponible pour les actionneurs de 2 300 W. C’est une estimation, mais si vous connaissez la valeur, n’hésitez pas à la communiquer !</p><ul><li><strong>Poids</strong> : 89 kg</li><li><strong>Hauteur de saut estimée à partir des vidéos</strong> : 0,4 m</li><li><strong>Taille</strong> : 1,5 m</li></ul><h4>L’outsider : l’humain</h4><ul><li><strong>Poids</strong> : 70 kg</li><li><strong>Puissance</strong> : 300 W</li><li><strong>Hauteur de saut</strong> : 0,3 m</li><li><strong>Taille</strong> : 1,75 m</li></ul><p>En reprenant tous les éléments de notre formule et en faisant figurer directement la hauteur de l’individu, on obtient :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/250/1*dryVWl3CMFP94K19_Nd3Ag.png" /></figure><p>Et bam ! Dans ta face Atlas :</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/216/1*WqYr3CjkkQjwBTWugtsdFA.png" /></figure><p>Évidemment, il y a pas mal d’approximations dans nos calculs, et il est possible que nous ayons légèrement sous-estimé la puissance des humains au moment du saut. Mais soyons honnêtes, on peut bien se permettre un peu de mauvaise foi quand le concurrent ressemble à un T-800…</p><h3>Conclusion</h3><p>Le facteur <em>K2 </em>est significativement plus faible pour Atlas que pour un humain. Cela suggère que, bien que les robots comme Atlas soient impressionnants par leur conception, l’efficacité globale de leur design pour le saut est encore inférieure à celle d’un corps humain. Chez <em>Boston Dynamics</em>, ils sont très forts, mais pour l’instant, l’honneur des humains est sauf : nous restons les meilleurs athlètes, du moins en matière de saut.</p><p>Et cela se comprend : tout notre corps est mobilisé dans un mouvement complexe. Un robot, même avec une puissance brute importante, ne peut pas encore rivaliser avec la répartition des masses et l’agilité dynamique d’un corps humain. En effet, la biomécanique humaine a été optimisée par l’évolution pour maximiser l’efficacité des mouvements en utilisant au mieux la distribution de la masse corporelle, l’élasticité des tendons, et la coordination musculaire. Ces éléments, difficiles à reproduire mécaniquement, confèrent aux humains un avantage certain dans des tâches complexes comme le saut.</p><h3>Les Robots à Actionneurs Électriques</h3><p>Une tendance croissante dans la robotique humanoïde est l’utilisation d’actionneurs électriques plutôt qu’hydrauliques.</p><p>Les actionneurs électriques sont préférés car ils sont :</p><ul><li>Moins chers,</li><li>Plus silencieux,</li><li>Ne nécessitent pas de fluides hydrauliques, évitant ainsi les fuites et les problèmes d’entretien (de plus, souvent les huiles hydrauliques ont une odeur désagréable).</li></ul><p>Cependant, ils présentent des inconvénients majeurs, notamment une puissance massique inférieure à celle des actionneurs hydrauliques. Cela signifie que la puissance disponible pour un robot est souvent limitée, car en fonction de sa taille, la place disponible pour les actionneurs limite leur puissance.</p><p>Prenons le cas d’ASIMO de <em>Honda</em>. La puissance moyenne pour la marche est de 140 W. Le poids du robot est de 54 kg et sa taille est de 1,3 m. Avec une puissance aussi limitée, un saut est impossible pour ASIMO. Peu importe l’efficacité de l’utilisation de ses ressources, ses performances sont bien inférieures à celles d’un humain, notamment en termes de saut.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IJTofzntmUnUUjJ-58j5Cw.png" /><figcaption>ChatGPT, tu n’es pas prêt pour “Skynet” : ton armée n’est pas prête.</figcaption></figure><p>Si les robots humanoïdes comme Atlas peuvent rivaliser avec les humains en termes de force brute, ils n’ont pas encore atteint l’efficacité biomécanique des humains pour des tâches dynamiques comme le saut. Les robots à actionneurs électriques, bien que prometteurs en termes de coûts et de maintenance, restent limités par leur faible puissance massique. Ainsi, malgré des avancées impressionnantes, l’humanité conserve pour l’instant son statut de meilleur athlète, du moins dans ce domaine spécifique. Mais avec la rapidité des progrès en robotique, combien de temps cela durera-t-il ?</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=61fa4f77ee34" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The Collapse of Earth’s Magnetosphere: An Overlooked Catastrophe Waiting to Happen]]></title>
            <link>https://medium.com/@administrateur_55627/the-collapse-of-earths-magnetosphere-an-overlooked-catastrophe-waiting-to-happen-d440e6100b92?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/d440e6100b92</guid>
            <category><![CDATA[collapsologie]]></category>
            <category><![CDATA[collapse]]></category>
            <category><![CDATA[magnetosphere]]></category>
            <category><![CDATA[gyroscope]]></category>
            <category><![CDATA[embedded-systems]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Thu, 29 Aug 2024 09:33:28 GMT</pubDate>
            <atom:updated>2024-08-29T09:33:28.990Z</atom:updated>
            <content:encoded><![CDATA[<p>The potential collapse of Earth’s magnetosphere is a topic that, while often overlooked, could have catastrophic implications for modern civilization. The magnetosphere serves as a shield against solar and cosmic radiation. Without it, the consequences for life on Earth, technological infrastructure, and societal stability could be severe.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BDzJ5pQUxoD1hvqTM0c15w.png" /></figure><h4><strong>Magnetic Pole Reversals: A Cyclical Threat</strong></h4><p>Magnetic pole reversals are recurring geological events, occurring every 200,000 to 300,000 years on average. However, the last reversal happened about 780,000 years ago, suggesting that we may be nearing another transition. During these reversals, the magnetic field can weaken by up to 90%, exposing the planet to intensified cosmic and solar radiation. These processes, linked to instabilities in Earth’s magma flow, occur relatively quickly on a geological scale, with reversals happening over about 1,000 years. The effects could be noticeable within a human lifetime, with immediate consequences for both ecosystems and technology.</p><h4><strong>The End of Civilization?</strong></h4><p>One intriguing consequence of a weakening magnetic field would be the appearance of auroras at much lower latitudes, even in parts of Europe. These beautiful displays, caused by the interaction of solar particles with the atmosphere, would also signal increased radiation exposure — a major danger to living organisms.</p><p>A weakened or collapsed magnetosphere would lead to a significant rise in radiation levels on Earth. In highly exposed areas, radiation doses could reach 100 mSv/h. To put this in perspective, prolonged exposure at these levels could cause acute radiation symptoms in just a few hours, raising the risk of cancer and other radiation-related illnesses for humans and animals, while severely disrupting plant life.</p><p>Moreover, ionizing radiation could have devastating effects on electronic systems, especially low-Earth orbit satellites. These satellites, exposed to intense fluxes of charged particles, would experience a drastically shortened lifespan, disrupting global communications, GPS systems, and even terrestrial power grids. The unpredictability of Earth’s magnetic field would also render compasses ineffective, further complicating traditional navigation.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3BViqF0aKBDsGE9ewxq2ww.png" /></figure><p>The biological effects of a weakened magnetic field extend beyond humans. Studies show that biological systems, including mitochondrial function, DNA replication, and gene expression, are influenced by Earth’s magnetic field. A significant change in this field could disrupt these essential processes, affecting not only animals but also plants, which could have far-reaching impacts on agriculture and global biodiversity.</p><p>In the event of a magnetosphere collapse combined with a major solar storm, critical infrastructure could be severely disrupted: induced ground currents could damage transformers, leading to widespread power outages. A historical example of such an impact is the 1989 geomagnetic storm, which caused a massive blackout in Quebec, leaving six million people in the dark for several hours.</p><h4><strong>Transition to Resilient Embedded Systems</strong></h4><p>So, how can we prepare? First, I suggest you revisit Mad Max! Imagining ourselves dealing with these events highlights the weakness and fragility of our infrastructure and IT networks. One solution could be the widespread adoption of “on the edge” systems, allowing for local operational functionality in areas less exposed to radiation, and reducing dependence on centralized networks that would likely be the first to fail in such a scenario. The resilience of embedded systems! These precautions would be valuable for any major disruption to our infrastructure.</p><p>Embedded systems, designed to operate autonomously, are less vulnerable to widespread failures, and their small size makes them easier to protect from ionizing radiation through the use of hardened components and specific shielding techniques.</p><h4><strong>A MEMS Gyrocompass</strong></h4><p>I got carried away imagining myself in this world. One of the challenges we would face is navigation: no GPS, an erratic compass. I imagined a system equipped with MEMS gyroscopes based on a small microcontroller that allows finding the geographic north by measuring the Earth’s rotation in different directions. It may seem surprising that such a measurement is possible: the LSB of these sensors is usually of the same order as the Earth’s rotation rate, and these sensors are also prone to measurement bias.</p><p>However, there is a technique to overcome these effects. You can discover the device and how I went about it on <a href="https://selvasystems.net/innovations">my blog</a>: a MEMS gyrocompass operating with a pair of BMI160 gyroscopes. Signal processing is done<em> in situ </em>with a Raspberry Pi Pico.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y8ulBIm8DOgEItwEKbZjlA.jpeg" /><figcaption>a new type of gyrocompas : a MEMS gyrocompas !</figcaption></figure><h4><strong>Preparing for a Global Crisis? Not Really…</strong></h4><p>As you can see, the situation isn’t quite as hopeless, thanks to embedded systems! However, the collapse of the magnetosphere is not just a hypothetical scenario but a real threat that could have total and likely fatal consequences for modern society. To minimize the risks and ensure the continuity of essential services, it is necessary to develop and deploy resilient technologies now. By preparing now, we can mitigate the effects of such an event and protect our critical infrastructure against future geomagnetic disruptions. Unfortunately, in a society where short-term thinking prevails, I doubt such risks will be taken seriously…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d440e6100b92" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Les Dangers de l’Effondrement de la Magnétosphère : les systèmes embarqués pour nous sauver]]></title>
            <link>https://medium.com/@administrateur_55627/les-dangers-de-leffondrement-de-la-magn%C3%A9tosph%C3%A8re-les-syst%C3%A8mes-embarqu%C3%A9s-pour-nous-sauver-fd3b7075bc5f?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd3b7075bc5f</guid>
            <category><![CDATA[magnetosphere]]></category>
            <category><![CDATA[gyroscope]]></category>
            <category><![CDATA[mems]]></category>
            <category><![CDATA[resilience]]></category>
            <category><![CDATA[embedded-systems]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Thu, 29 Aug 2024 09:13:58 GMT</pubDate>
            <atom:updated>2024-08-30T21:01:53.302Z</atom:updated>
            <content:encoded><![CDATA[<h3>Les Dangers de l’Effondrement de la Magnétosphère : les systèmes embarqués pour nous sauver</h3><p>L’effondrement de la magnétosphère terrestre est un sujet qui, bien que souvent négligé, a des implications potentiellement cataclysmiques pour la civilisation moderne. La magnétosphère agit comme un bouclier contre les radiations solaires et cosmiques. En son absence, les conséquences pour la vie sur Terre, les infrastructures technologiques et la stabilité sociétale pourraient être sévères.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UmEWi1fl_twMMog5mcu1Ag.png" /></figure><h4>Les Inversions des Pôles Magnétiques : Une Menace Cyclique</h4><p>Les inversions des pôles magnétiques terrestres sont des événements géologiques récurrents, survenant en moyenne tous les 200 000 à 300 000 ans. Cependant, la dernière inversion remonte à environ 780 000 ans, ce qui suggère que nous pourrions être proches d’une nouvelle transition. Lors de ces inversions, le champ magnétique peut s’affaiblir jusqu’à 90%, exposant ainsi la planète à un flux intensifié de radiations cosmiques et solaires. Ces processus, car ils sont associés à des instabilités des écoulements du magma terrestre, sont très rapides à l’échelle géologique : les excursions ou les inversions se déroulent sur une période d’environ 1000 ans. L’évolution de ces phénomènes serait perceptible au cours d’une vie humaine, avec des conséquences immédiates pour l’écosystème et la technologie.</p><h4>La fin du monde civilisé ?</h4><p>Le coté plaisant d’un affaiblissement du champ magnétique serait l’apparition d’aurores boréales visibles à des latitudes beaucoup plus basses, y compris en Europe. Ces phénomènes lumineux, causés par l’interaction des particules solaires avec l’atmosphère, seraient d’une beauté impressionnante. Toutefois, ils signaleraient également une exposition accrue aux radiations, un danger majeur pour les organismes vivants.<br>L’affaiblissement ou l’effondrement de la magnétosphère entraînerait une augmentation significative des niveaux de radiation sur Terre. Par exemple, des zones particulièrement exposées pourraient subir des expositions atteignant 100 mSv/h. Pour mettre cela en perspective, une exposition prolongée à ces niveaux pourrait causer des symptômes de radiations aiguës en quelques heures seulement. Cela augmenterait les risques de cancer et d’autres maladies liées aux radiations pour les humains et les animaux et perturberait grandement la vie végétale. <br>De plus, les radiations ionisantes pourraient avoir des effets dévastateurs sur les systèmes électroniques, en particulier les satellites en orbite basse. Ces derniers, exposés à un flux intense de particules chargées, verraient leur durée de vue fortement réduite, perturbant ainsi les communications mondiales, les systèmes GPS, et affectant même les réseaux électriques terrestres. L’imprévisibilité du champ magnétique terrestre rendrait également les boussoles inefficaces, compliquant encore davantage la navigation traditionnelle.<br>Les effets biologiques de l’affaiblissement du champ magnétique ne se limitent pas aux humains. Les études montrent que les systèmes biologiques, y compris le fonctionnement des mitochondries, la réplication de l’ADN et l’expression des gènes, sont influencés par le champ magnétique terrestre. Un changement significatif dans ce champ pourrait perturber ces processus essentiels, affectant non seulement les animaux, mais aussi les plantes, ce qui pourrait avoir des répercussions sur l’agriculture et la biodiversité globale.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kCyfBSEFpprYMbF_eMG2RQ.png" /></figure><p>L’effondrement de la magnétosphère, associé à une tempête solaire majeure, pourrait causer des perturbations profondes dans les infrastructures critiques : les courants électriques induits dans le sol pourraient endommager gravement les transformateurs, entraînant des pannes de courant à grande échelle. Un exemple historique de ce type d’impact est la tempête géomagnétique de 1989, qui a provoqué une panne massive au Québec, plongeant six millions de personnes dans l’obscurité pendant plusieurs heures.<br>Et plus de télécommunications, des problèmes d’infrastructure, de réseaux électriques, on imagine les conséquences cataclysmiques pour l’économie mondiale.</p><h4>Transition vers des Systèmes Embarqués Résilients</h4><p>Que faire pour se préparer ? Dans un premier temps je vous conseille de revoir Mad Max ! Mais s’imaginer aux prises avec ces évènements permet de se rendre compte de la faiblesse et de la fragilité de nos infrastructures et de nos réseaux informatiques. Une réponse pourrait être la généralisation de systèmes « on the edge », permettant un fonctionnement local opérationnel pour les zones faiblement exposées aux rayonnements, et aussi permettrait de réduire la dépendance aux réseaux centralisés qui seraient certainement les premiers à sauter dans un tel scénario. La résilience des systèmes embarqués ! D’ailleurs ce sont des précautions qui vaudraient pour toutes perturbations majeures de nos infrastructures.<br> Les systèmes embarqués, conçus pour fonctionner de manière autonome, sont moins vulnérables aux pannes généralisées et leurs dimensions permettraient de les protéger facilement des radiations ionisantes grâce à l’utilisation de composants durcis et de techniques de blindage spécifiques.</p><h4>Un gyrocompas MEMS</h4><p>Je me suis pris au jeu de m’imaginer dans ce monde. Une des difficultés que nous rencontrerions serait de s’orienter : plus de GPS, une boussole erratique. J’ai imaginé un système équipé de gyroscopes MEMS basé sur un petit microcontrôleur qui permet de trouver la position du nord géographique, en mesurant suivant différentes direction le taux de rotation de la terre. On pourrait s’étonner qu’une telle mesure soit possible : la LSB de ces capteurs est généralement du même ordre que le taux de rotation de la terre et de plus ces capteurs sont victimes d’un biais de mesure. <br>En fait, il existe une technique permettant de s’affranchir de ces effets, je vous laisse découvrir le <a href="https://youtu.be/U-fFy3L0FEQ?si=0pCcEn5pKv0-A7uQ">dispositif</a><a href="https://www.youtube.com/watch?v=edkJiVSeGOk"> </a>et la manière dont j’ai procédé <a href="https://selvasystems.net/innovations">sur mon site</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*PXpb64v8csmLzyvH2qsz6A.jpeg" /><figcaption>Gyrocompas MEMS fonctionnant avec un couple de gyroscope BMI160. Le traitement du signal s’opère in situ avec un raspberry pi pico</figcaption></figure><h4>Se Préparer à une Crise Globale ? Non…</h4><p>Voyez, la situation n’est déjà plus tout à fait aussi désespérée grâce aux systèmes embarqués :). Il n’en reste pas moins que l’effondrement de la magnétosphère n’est pas un simple scénario hypothétique, mais une menace réelle, qui pourrait entraîner des conséquences totales et certainement fatales sur les sociétés complexes. Pour minimiser les risques et assurer la continuité des services essentiels, il serait nécessaire dès à présent de développer et de déployer des technologies résilientes. En se préparant dès maintenant, nous pouvons atténuer les effets d’un tel événement et protéger nos infrastructures critiques contre les perturbations géomagnétiques à venir. Malheureusement, dans une société où le court-termisme est la règle, je doute qu’on prenne aux sérieux de tels risques…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd3b7075bc5f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[The Evolution of Feature Extraction Techniques for Keyword Spotting]]></title>
            <link>https://medium.com/@administrateur_55627/the-evolution-of-feature-extraction-techniques-for-keyword-spotting-e55827167203?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/e55827167203</guid>
            <category><![CDATA[mel]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[keyword-spotting]]></category>
            <category><![CDATA[spectrogram]]></category>
            <category><![CDATA[mfcc]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Wed, 28 Aug 2024 16:05:15 GMT</pubDate>
            <atom:updated>2024-08-28T16:06:40.800Z</atom:updated>
            <content:encoded><![CDATA[<p>Voice recognition is now ubiquitous, from voice-activated home devices to virtual assistants. At the core of these technologies lies Keyword Spotting (KWS), a technique for detecting specific words or phrases. Many solutions use a “cascading” approach, where the first element in the chain is an embedded system. For example, a low-power microcontroller might remain on standby, listening for a keyword. Once detected, it activates the entire system, allowing for more complex signal processing.</p><p>The effectiveness of these systems largely depends on feature extraction, a critical step that transforms raw audio signals into a digital form suitable for processing. For decades, Mel-Frequency Cepstral Coefficients (MFCCs) have been the go-to tool for this task. However, the rise of neural networks has introduced new methods. This article explores this transition, examining the reasons for the shift and its implications, particularly for embedded systems. These new extraction methods are often less computationally demanding, making them easier to implement on embedded devices.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZQ_QVwgu0Am9cmMB-kuvKg.png" /></figure><h4>MFCCs: The Early Days of Voice Recognition</h4><p>MFCCs were introduced in the 1980s when voice recognition was primarily based on statistical models. The idea behind MFCCs is to mimic human auditory perception, which doesn’t respond linearly to frequencies. Our ears are more sensitive to changes in lower frequencies than higher ones, a characteristic that MFCCs aim to replicate.</p><p>The process of obtaining MFCCs starts by dividing the audio signal into small time frames. For each frame, a Fourier Transform (FFT) is applied to obtain the frequency spectrum. This spectrum is then filtered through a series of triangular filters distributed according to a Mel scale, which reflects human perception of frequency distances. The final step is to apply a Discrete Cosine Transform (DCT) on the resulting Mel spectrum, generating the cepstral coefficients.</p><p>The cepstrum is a transformation that essentially takes the spectrum of a spectrum. When we speak, the vocal cords (located in the larynx) vibrate and produce a base sound, often called the source or excitation sound. This sound source comprises a series of harmonics (frequencies that are multiples of the fundamental frequency). The sound then passes through the vocal tract, which acts as a filter, modifying this raw sound based on the shape and configuration of the tract at that moment — tongue position, mouth opening, and palate shape all influence this filtering. This filtering process creates formants, peaks in the frequency spectrum that characterize speech sounds (such as vowels and certain consonants). The cepstrum allows for separating these two essential components of the vocal signal: the excitation and the filtering part.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/1*IKepZfMQXV5qAJGWhCYtlA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/984/1*Gx61v_I0wh596A-N8roOWg.png" /><figcaption>An example of an audio signal and its MFCC.</figcaption></figure><p>This separation is crucial in voice recognition because it helps distinguish characteristics related to linguistic content (how sounds are produced and perceived) from those related to the sound source itself.</p><p>While MFCCs are highly effective, they have some drawbacks. The process is relatively complex and computationally demanding, which can be challenging for embedded applications. Moreover, by summarizing the audio signal into a few coefficients, some subtle nuances of the sound spectrum are inevitably lost, limiting the accuracy of voice recognition systems.</p><h4>The Rise of Neural Networks</h4><p>The evolution of neural networks, particularly the rise of convolutional neural networks (CNNs), has revolutionized how we approach many problems. The strength of neural networks lies in their ability to work with a large number of input data. This characteristic allows for a different approach to KWS, reducing the computational cost of feature extraction while increasing the size of the neural network responsible for processing the sound from the extracted features.</p><p>Unlike MFCCs, which require several transformation and filtering steps, spectrograms offer a more direct representation of the audio signal. A spectrogram is essentially a series of Fourier spectra stacked over time, allowing us to visualize how the frequencies of a signal evolve. This representation is particularly suited to neural networks, which excel at extracting complex patterns from raw data.</p><p>Using spectrograms simplifies the signal processing pipeline. However, feature extraction generates many more parameters. For instance, one second of audio at a 16 kHz sampling rate generates several thousand parameters. Such a large amount of data could not be utilized without the recent capabilities offered by neural networks, especially CNNs: the ability to learn complex models has significantly increased.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/552/1*MB0S9usHa2tZFYJQacnalA.png" /><figcaption>The spectrogram of the same signal.</figcaption></figure><h4>Mel Spectrograms and Hybrid Techniques</h4><p>It makes sense, even if it’s not necessarily the most efficient method, to try to create a system whose perception closely resembles that of the human ear. This was the underlying idea behind MFCCs. To take advantage of the richness of information and computational simplicity of spectrograms while considering human auditory perception, an intermediate approach has emerged: Mel spectrograms. This technique retains the information richness and simplicity of spectrograms while applying a Mel scale, offering a compromise between the two methods.</p><p>Other hybrid techniques have been explored. For example, some systems combine features derived from MFCCs with spectrograms to enrich the signal’s representation, leveraging the strengths of each method. Other approaches, such as Gammatone Cepstral Coefficients (GTCC) or the Constant-Q Transform (CQT), offer alternatives to MFCCs and spectrograms, proposing compromises adapted to the specific constraints of embedded systems.</p><h4>Embedded Systems and KWS: The Art of Compromise</h4><p>One of the main challenges in embedded systems is balancing the complexity of feature processing with limited resources in terms of computation, memory, and energy. Spectrograms, which simplify preprocessing, might seem like an ideal solution. However, the amount of data they generate requires larger and deeper neural networks, which may be difficult to reconcile with the constraints of embedded systems.</p><p>Nonetheless, the advantage seems to favor a keyword spotting method based on spectrograms. For example, <a href="https://selvasystems.net/deep-learning">on an ESP32-S3 equipped with a MEMS microphone</a>, I reduced inference time by more than a factor of 10 by switching from an MFCC-based method (as proposed by Edge Impulse) to one based on spectrograms. It should be noted that this excellent result was also made possible by the widespread use of DSP functions for feature extraction.</p><p>The rise of neural networks has upended the work of engineers. In the past, the goal was to minimize the number of influential parameters on a problem to propose a relevant model. Today, with neural networks, the goal is to provide a large amount of data and “trust” the method to extract the relevant information and identify the influential parameters.</p><p>Today, hybrid approaches that combine the best of techniques based on human auditory perception and the capabilities of CNNs likely represent the future of this field. However, they remain a challenge for research, as there still seems to be room for improvement to make KWS even lighter, faster, and more accurate.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e55827167203" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[L’Évolution des Techniques d’Extraction de Features pour le Keyword Spotting]]></title>
            <link>https://medium.com/@administrateur_55627/l%C3%A9volution-des-techniques-d-extraction-de-features-pour-le-kws-818f7ff97940?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/818f7ff97940</guid>
            <category><![CDATA[mel-spectrogram]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[mfcc]]></category>
            <category><![CDATA[keyword-spotting]]></category>
            <category><![CDATA[spectrogram]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Wed, 28 Aug 2024 15:32:56 GMT</pubDate>
            <atom:updated>2024-08-28T15:56:43.864Z</atom:updated>
            <content:encoded><![CDATA[<p>La reconnaissance vocale est aujourd’hui omniprésente, du contrôle vocal des appareils domestiques aux assistants virtuels. Au cœur de ces technologies se trouve la détection de mots-clés, connue sous le nom de <strong>Keyword Spotting (KWS)</strong>. Souvent, les solutions techniques font intervenir des dispositifs « en cascade », où le premier élément de la chaîne est un système embarqué. Par exemple, un microcontrôleur à faible consommation d’énergie reste en veille pour détecter l’apparition d’un mot-clé. Dès que ce mot-clé est détecté, il réactive l’intégralité du système, permettant un traitement plus complexe du signal.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bxgADIIky6RykO1W32C93g.png" /></figure><p>La qualité de ces systèmes repose en grande partie sur l’extraction de <strong>features</strong>, une étape essentielle qui transforme un RAW de signal audio en une représentation numérique adaptée au traitement du signal. Pendant des décennies, les <strong>MFCC</strong> (Mel-Frequency Cepstral Coefficients) ont été l’outil de prédilection pour cette tâche. Cependant, l’essor des réseaux de neurones a ouvert la voie à de nouvelles méthodes. Cet article explore cette transition, en analysant les raisons de ce changement et ses implications, notamment pour les systèmes embarqués. En effet, ces nouvelles méthodes d’extraction sont souvent moins gourmandes en puissance de calcul et permettent une implémentation plus aisée sur des dispositifs embarqués.</p><h4>Les MFCC : les premiers pas de la reconnaissance vocale</h4><p>Les MFCC ont été introduits dans les années 1980, à une époque où la reconnaissance vocale était principalement fondée sur des modèles statistiques. L’idée derrière le MFCC est d’imiter la perception humaine du son, qui ne réagit pas linéairement aux fréquences. Notre oreille est plus sensible aux variations dans les basses fréquences qu’aux hautes fréquences, une caractéristique que le MFCC cherche à reproduire.</p><p>Le processus d’obtention des MFCC commence par la division du signal audio en petites trames temporelles. Pour chaque trame, on applique une <strong>transformée de Fourier (FFT)</strong> pour obtenir le spectre fréquentiel. Ce spectre est ensuite filtré à travers une série de filtres triangulaires répartis selon une échelle de Mel, qui reflète la perception humaine des distances fréquentielles. L’étape finale consiste à appliquer une <strong>transformée en cosinus discrète (DCT)</strong> sur le spectre de Mel obtenu, ce qui génère les coefficients cepstraux.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IrgFP_7bLNOtYlmqQjiZQw.png" /><figcaption><em>Exemple de signal audio et l’extraction des MFCC associé</em></figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/984/1*Gx61v_I0wh596A-N8roOWg.png" /><figcaption>Matrice de 13x50 des coefficients cepstral</figcaption></figure><p>Le <strong>cepstrum</strong> est une transformation qui consiste en quelque sorte à prendre le spectre d’un spectre. Lorsqu’on parle, les <strong>cordes vocales</strong> (situées dans le larynx) vibrent et produisent un son de base, souvent appelé <strong>son source</strong> ou <strong>excitation</strong>. Ce son source se compose d’une série d’harmoniques (fréquences multiples de la fréquence fondamentale). Ce son passe ensuite par le conduit vocal, qui agit comme un filtre, modifiant ce son brut en fonction de la forme et de la configuration du conduit à ce moment-là : position de la langue, ouverture de la bouche, forme du palais et d’autres éléments influencent ce filtrage. Ce processus de filtrage donne naissance aux <strong>formants</strong>, qui sont des pics dans le spectre de fréquences, caractérisant les sons de la parole (comme les voyelles et certaines consonnes). Le <strong>cepstrum</strong> permet de séparer ces deux composantes importantes du signal vocal : l’excitation et le la partie filtrage.<br>Cette séparation est cruciale en reconnaissance vocale, car elle permet de distinguer les caractéristiques liées au contenu linguistique (comment les sons sont produits et perçus) des caractéristiques liées à la source sonore elle-même.</p><p>Bien que les MFCC soient très efficaces, ils présentent certains inconvénients. Le processus est relativement complexe et exigeant en termes de calcul, ce qui peut poser des défis pour les applications embarquées. De plus, en résumant le signal audio en peu de coefficients, certaines nuances fines du spectre sonore sont inévitablement perdues, limitant ainsi la précision des systèmes de reconnaissance vocale.</p><p>À titre d’exemple, une seconde d’audio, acquise à 16 kHz, correspond à environ 600 valeurs flottantes (avec 13 coefficients dans le filtre pour chaque trame de 20 ms).</p><h4>L’Évolution des Réseaux de Neurones</h4><p>L’évolution des réseaux de neurones, et en particulier l’essor des <strong>réseaux convolutionnels (CNN)</strong>, a bouleversé la manière dont on appréhende de nombreux problèmes. Le point fort des réseaux de neurones réside dans leur capacité à fonctionner avec un grand nombre de données d’entrée.<br>Cette caractéristique permet d’aborder le KWS différemment, en diminuant le coût calculatoire consacré à l’extraction de features et en contrepartie, en augmentant la taille du réseau de neurones chargé du traitement du son à partir des features extraites.</p><p>Contrairement aux MFCC, qui nécessitent plusieurs étapes de transformation et de filtrage, les <strong>spectrogrammes</strong> offrent une représentation plus directe du signal audio. Un spectrogramme est essentiellement une série de spectres de Fourier empilés dans le temps, permettant de visualiser comment les fréquences d’un signal évoluent. Cette représentation est particulièrement adaptée aux réseaux de neurones, qui excellent à extraire des motifs complexes à partir de données brutes.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/552/1*MB0S9usHa2tZFYJQacnalA.png" /><figcaption>Spectrogramme du même signal exemple</figcaption></figure><p>L’utilisation des spectrogrammes simplifie le pipeline de traitement du signal. Cependant, l’extraction de features génère beaucoup plus de paramètres. À titre d’exemple, une seconde d’audio à 16 kHz de fréquence d’échantillonnage génère plusieurs milliers de paramètres. Une telle quantité de données ne pourrait être exploitée sans les capacités récentes offertes par les réseaux de neurones, et en particulier les CNN : les capacités d’apprentissage des modèles complexes ont considérablement augmenté.</p><p>Il y a donc un compromis à trouver. Le but est de rendre le KWS le plus léger et rapide possible. Passer des MFCC aux spectrogrammes permet de gagner en temps de calcul pour l’extraction des features, mais au détriment du temps de calcul et de l’occupation mémoire du réseau de neurones, ainsi que de l’occupation mémoire en général, car il y a beaucoup plus de features à gérer. Cela est particulièrement vrai si l’on utilise les fonctions <strong>DSP</strong> du microcontrôleur, qui nécessitent souvent de recourir à des tampons pour stocker les vecteurs intermédiaires lors des calculs.</p><p>Néanmoins, l’avantage semble pencher en faveur d’une méthode d’identification reposant sur les spectrogrammes. À titre d’exemple, <a href="https://selvasystems.net/deep-learning">sur un <strong>ESP32-</strong>S3 équipé d’un micro MEM</a>S, pour détecter le mot « lumière », j’ai réduit le temps d’inférence d’un facteur supérieur à 10 en passant de la méthode basée sur les MFCC (proposée par Edge Impulse) à celle basée sur les spectrogrammes. Il est à noter que ce bon résultat est également permis par l’usage généralisée des fonctions DSP pour l’extraction des features.</p><h4>Les Spectrogrammes Mel et Techniques Hybrides</h4><p>Il paraît logique, même si ce n’est pas forcément la méthode la plus efficace, de tenter de générer un système dont la perception se rapproche au plus de celle de l’oreille humaine. C’était l’idée sous-jacente aux MFCC. Pour tirer parti des avantages des spectrogrammes tout en tenant compte des spécificités de la perception humaine, une approche intermédiaire a émergé : les <strong>spectrogrammes Mel</strong>. Cette technique conserve la richesse d’information et la simplicité calculatoire des spectrogrammes tout en appliquant une échelle de Mel au spectrogramme, offrant en quelque sorte un compromis entre les deux méthodes.</p><p>En parallèle, d’autres techniques hybrides ont été explorées. Par exemple, certains systèmes combinent des features issues des MFCC avec des spectrogrammes pour enrichir la représentation du signal, capitalisant sur les points forts de chaque méthode. D’autres approches, telles que les <strong>Gammatone Cepstral Coefficients (GTCC)</strong> ou la <strong>Constant-Q Transform (CQT)</strong>, offrent une alternative aux MFCC et aux spectrogrammes, en proposant des compromis adaptés aux contraintes spécifiques des systèmes embarqués.</p><h4><strong>Systèmes Embarqués et KWS : L’Art du Compromis</strong></h4><p>L’un des principaux défis des systèmes embarqués est de trouver un équilibre entre la complexité du traitement des features et les ressources limitées en termes de calcul, de mémoire et d’énergie. Les spectrogrammes, qui simplifient l’étape de prétraitement, peuvent sembler être une solution idéale. Cependant, la quantité de données qu’ils génèrent nécessite des réseaux neuronaux plus grands et plus profonds, ce qui peut être difficilement compatible avec les contraintes des systèmes embarqués.</p><p>Quoi qu’il en soit, on retrouve ici une dynamique propre à d’autres domaines du deep learning : l’approche « imitant » les perceptions humaines n’est pas toujours la meilleure, ou du moins, pas la seule voie possible. Ce principe s’observe également dans d’autres domaines du deep learning, comme la vision par ordinateur, où des méthodes non basées sur la perception humaine, telles que les CNN appliqués directement aux images, surpassent souvent les techniques basées sur des transformations perceptuelles, comme les filtres de détection de contours.</p><p>L’émergence des réseaux neuronaux a bouleversé le travail des ingénieurs. Autrefois, on cherchait à minimiser le nombre de paramètres influents sur un problème pour en proposer une modélisation pertinente. Aujourd’hui, avec les réseaux de neurones, il s’agit au contraire de fournir une grande quantité de données et de « faire confiance » à la méthode pour extraire les informations pertinentes et identifier les paramètres influents.</p><p>Aujourd’hui, les approches hybrides, qui allient le meilleur des techniques basées sur la perception de l’oreille humaine et les capacités des réseaux CNN, représentent probablement l’avenir de cette discipline. Elles restent cependant un enjeu pour la recherche, car une bonne marge de progression semble encore possible pour rendre le KWS encore plus léger, rapide et précis.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=818f7ff97940" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Why RTL-SDRs are So Cool]]></title>
            <link>https://medium.com/@administrateur_55627/why-rtl-sdrs-are-so-cool-da9fda51ef4f?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/da9fda51ef4f</guid>
            <category><![CDATA[rtlsdr]]></category>
            <category><![CDATA[sdr-software]]></category>
            <category><![CDATA[radar]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Fri, 23 Aug 2024 12:59:56 GMT</pubDate>
            <atom:updated>2024-08-23T13:03:10.298Z</atom:updated>
            <content:encoded><![CDATA[<p>Software Defined Radios, or <strong>SDRs</strong>, have revolutionized the world of radio communication. With the release of RTL-SDR dongles about a decade ago, this technology became accessible to almost everyone, allowing them to dive into the world of digital radio at a very low cost.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*bsr7PpSVA4TgTP3ggHHGiQ.png" /><figcaption>Version 4: Improved Ground Plane and Aluminum Case with R820T2 Tuner</figcaption></figure><h3><strong>The RTL-SDR Hack</strong></h3><p>In 2012, a group of enthusiasts discovered that the RTL2832U chipset, originally designed to receive digital terrestrial television (DVB-T), could be repurposed to function as a wideband SDR receiver. This discovery is credited to hardware hacker <strong>Eric Fry</strong> and Linux driver developer <strong>Antti Palosaari</strong>. They realized that this chipset had a special mode that enabled it to capture a wide range of radio frequencies, thus paving the way for a multitude of novel applications using a simple USB dongle costing less than $20.</p><h3>The Principle of SDR</h3><p>A software-defined radio works by capturing an analog radio signal via an antenna. This signal is then digitized by an <strong>Analog-to-Digital Converter (ADC)</strong>, such as the RTL2832U. However, an ADC can only handle limited frequencies (up to 28.8 MHz for the RTL2832U). To capture higher frequency signals, the signal is first mixed to an intermediate frequency by a tuner (like the <strong>R820T</strong> or <strong>E4000</strong>), allowing it to be converted into a frequency that the ADC can process.</p><h3>Mixer and Undersampling</h3><p>The <strong>mixer</strong> takes the high-frequency signal captured by the antenna and mixes it with a reference frequency generated by the tuner. This operation produces an Intermediate Frequency (IF) that is within the ADC’s working range, allowing the ADC to digitize signals that were initially out of its frequency range. This is where the magic of SDR lies.</p><p>This <strong>undersampling</strong> can cause <strong>aliasing</strong>, where higher frequency signals fold back into lower frequencies. To prevent this, <strong>anti-aliasing filters</strong> are used to remove unwanted frequencies before digitization. <strong>Low-pass filters</strong> are employed to limit the signal’s bandwidth to a frequency that avoids this folding, ensuring an accurate representation of the original radio signal.</p><p>Once these steps are completed, the signal is sent to a computer via USB, where <strong>digital signal processing (DSP)</strong> software can demodulate or decode it, enabling further analysis or use.</p><h3>Which One to Choose?</h3><p>Although all RTL-SDR dongles are based on the same <strong>RTL2832U ADC</strong>, there are several tuner variants that affect performance and the range of frequencies that can be captured. Here’s a summary of the main options:</p><ul><li><strong>R820T/R820T2:</strong> The most common and historically significant component, with a frequency range of 24 to 1766 MHz.</li><li><strong>E4000:</strong> Offering a broader coverage from 52 to 2200 MHz, but rare and more expensive due to its discontinued production.</li><li><strong>FC0012/FC0013:</strong> Less performant, with a limited range, and RTL-SDRs equipped with these tuners have reduced sensitivity compared to other models.</li></ul><p>Recent versions, such as the <strong>R820T2</strong>, improve sensitivity and stability over their predecessors, making it the preferred choice for most amateur applications.</p><h3>Multi-Channel Capture</h3><p>It is possible to create a multi-channel capture system by modifying and synchronizing several RTL-SDR dongles. To do this, you need to synchronize these devices using the same <strong>temperature-compensated crystal oscillator (TCXO)</strong>. By aligning the clocks of different dongles, phase coherence can be achieved, which is necessary for complex applications like interferometry or beamforming.</p><p>This type of multi-channel system allows, for example, <a href="https://www.youtube.com/watch?v=7WUNfu5O6x4"><strong>Direction Finding (DF)</strong> by analyzing the phase differences between signals received by each channel</a>, or even building a passive radar (if you happen to be close enough to a powerful transmitter like a terrestrial TV station).</p><h3>How to Use It?</h3><p>To fully leverage your RTL-SDR, there are many software options available today that support it. There are also several C libraries that facilitate interaction with the hardware. <strong>librtlsdr</strong> is one of the most popular, allowing you to configure and control the dongle directly from a C program. This library provides functions to set the frequency, bandwidth, and start real-time data reception.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*aBS8e7IE2iyfXoi0rZmB5A.png" /></figure><p>This approach allows you to customize and automate tasks related to radio signal reception, making RTL-SDR dongles even more powerful and versatile.</p><h3>Possible Applications</h3><p>There are numerous applications for RTL-SDRs, and new ones are being invented regularly. Here are a few examples:</p><ul><li><a href="https://selvasystems.net/innovations"><strong>Signal Finding</strong></a><strong>:</strong> A method to locate and analyze RF signals in a given area. This project, which you mentioned, can be used to explore and identify local transmissions.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XqaoOrW2kN2fmQbaIFnoiQ.jpeg" /><figcaption><em>A Signal Finding system using 3 USB dongles sharing the same TCXO.</em></figcaption></figure><ul><li><strong>Passive Radar:</strong> Using signals emitted by non-cooperative sources (such as TV towers) to detect moving objects in the environment.</li><li><strong>ADS-B:</strong> Real-time aircraft tracking by capturing ADS-B transmissions from commercial airplanes.</li><li><strong>Amateur Radio:</strong> Receiving amateur radio communications on various frequency bands.</li><li><strong>Weather:</strong> Receiving weather signals transmitted by satellites.</li></ul><h4>Conclusion</h4><p>With a simple RTL-SDR dongle, costing less than 20 euros, it’s possible to turn your PC into a powerful RF signal monitoring device. Whether for educational experiments or more advanced applications like aircraft tracking or radar detection, the RTL-SDR offers immense potential. Its low cost and great flexibility make it an excellent tool for both learning and practical uses.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=da9fda51ef4f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pourquoi les SDR-RTL sont si cools ?]]></title>
            <link>https://medium.com/@administrateur_55627/pourquoi-les-sdr-rtl-sont-si-cools-1551491cb298?source=rss-00ee7537a91a------2</link>
            <guid isPermaLink="false">https://medium.com/p/1551491cb298</guid>
            <category><![CDATA[sdr]]></category>
            <category><![CDATA[fr]]></category>
            <category><![CDATA[embedded-systems]]></category>
            <category><![CDATA[rtlsdr]]></category>
            <dc:creator><![CDATA[Bertrand Selva]]></dc:creator>
            <pubDate>Fri, 23 Aug 2024 12:36:40 GMT</pubDate>
            <atom:updated>2024-08-23T16:21:55.492Z</atom:updated>
            <content:encoded><![CDATA[<h3>Pourquoi les SDR-RTL sont si cools ?</h3><p>Les radios définies par logiciel, ou <strong>SDR (Software Defined Radio)</strong>, ont révolutionné le monde de la radiocommunication. Avec la sortie des dongles RTL-SDR il y a une dizaine d’années, cette technologie est devenue accessible à presque tout le monde en permettant de se lancer dans l’univers de la radio numérique pour un coût dérisoire.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/1*bsr7PpSVA4TgTP3ggHHGiQ.png" /><figcaption>La version 4, avec un tuner R820T2, un plan de masse amélioré et un boitier en aluminium</figcaption></figure><h3>‘’Hack” du RTL-SDR</h3><p>En 2012, un groupe de passionnés a découvert que le chipset RTL2832U, initialement conçu pour recevoir la télévision numérique terrestre (DVB-T), pouvait être détourné pour fonctionner comme un récepteur SDR à large bande. On doit cette découverte à <strong>Eric Fry</strong>, un hacker en matériel, et <strong>Antti Palosaari</strong>, un développeur de pilotes Linux. Ils ont réalisé que ce chipset possédait un mode spécial permettant de capturer un large éventail de fréquences radio, ouvrant ainsi la voie à une multitude d’applications inédites pour un simple dongle USB coûtant moins de 20 dollars.</p><h3>Le principe de la SDR</h3><p>Une radio définie par logiciel fonctionne en captant un signal radio analogique via une antenne. Ce signal est ensuite numérisé par un <strong>convertisseur analogique-numérique (ADC)</strong>, tel que le RTL2832U. Cependant, un ADC ne peut travailler qu’à des fréquences limitées (quleques MHz pour le RTL2832U). Pour capter des signaux de fréquences plus élevées, le signal est d’abord mélangé à une fréquence intermédiaire par un tuner (comme le <strong>R820T</strong> ou le <strong>E4000</strong>), ce qui permet de le convertir en une fréquence que l’ADC peut traiter.</p><h3>Mélangeur et Sous-échantillonnage</h3><p>Le <strong>mélangeur</strong> prend le signal à haute fréquence capté par l’antenne et le mélange avec une fréquence de référence générée par le tuner. Cette opération produit une fréquence intermédiaire (FI) qui est dans la gamme de travail de l’ADC. Cela permet à l’ADC de numériser des signaux initialement hors de sa portée en fréquence. C’est là que réside la magie de la SDR.</p><p>Ce <strong>sous-échantillonnage </strong>peut provoquer un <strong>repliement de spectre (aliasing)</strong>, où des signaux de fréquences plus élevées se superposent à des fréquences plus basses. Pour éviter cela, des filtres anti-aliasing sont utilisés pour supprimer les fréquences indésirables avant la numérisation. Des filtres passe-bas sont utilisés pour limiter la bande passante du signal à une fréquence qui évite ce repliement, garantissant ainsi une représentation fidèle du signal radio original.</p><p>Une fois ces étapes franchies, le signal est envoyé à un ordinateur via USB, où des logiciels de traitement numérique du signal peuvent le démoduler ou le décoder, permettant une analyse ou une utilisation plus poussée.</p><h3>Lequel choisir ?</h3><p>Bien que tous les dongles RTL-SDR soient basés sur le même <strong>RTL2832U ADC</strong>, il existe plusieurs variantes de tuners qui affectent la performance et la gamme de fréquences captées. Voici un résumé des principales options :</p><ul><li><strong>R820T/R820T2 :</strong> Le plus courant et le composant “historique”, avec une gamme de fréquences de 24 à 1766 MHz.</li><li><strong>E4000 :</strong> Offrant une couverture plus large, de 52 à 2200 MHz, mais rare et plus cher en raison de l’arrêt de production.</li><li><strong>FC0012/FC0013 :</strong> Moins performant, avec une gamme limitée et les RTL-SDR ainsi équipés ont une sensibilité réduite par rapport aux autres modèles.</li></ul><p>Les versions récentes comme le <strong>R820T2</strong> améliorent la sensibilité et la stabilité par rapport à leurs prédécesseurs, en faisant le choix privilégié pour la plupart des applications amateurs.</p><h3>Captation à plusieurs voies</h3><p>Il est possible de créer un système de captation à plusieurs voies en modifiant et synchronisant plusieurs dongles RTL-SDR. Pour cela, il suffit de synchroniser ces dispositifs sur un même oscillateur à quartz. En alignant les horloges des différents dongles, on peut obtenir une cohérence de phase nécessaire pour des applications complexes comme l’interférométrie. Ce type de système multi-voies permet, par exemple, de capter simultanément plusieurs signaux et de faire du <a href="https://www.youtube.com/watch?v=7WUNfu5O6x4"><strong>DF (Direction Finding)</strong> en analysant les différences de phase entre les signaux reçus par chaque voie</a> ou encore de fabriquer un radar passif (si vous avez la chance d’être assez proche d’un émetteur suffisamment puissant comme un émetteur TV terrestre par exemple).</p><h3>Comment l’utiliser ?</h3><p>Pour tirer pleinement parti de votre RTL-SDR, il existe aujourd’hui plein de logiciels qui le supporte. Il existe également plusieurs bibliothèques en C qui facilitent l’interaction avec le matériel. <strong>librtlsdr</strong> est l&#39;une des plus populaires, permettant de configurer et de contrôler le dongle directement depuis un programme en C. Cette bibliothèque offre des fonctions pour régler la fréquence, la bande passante, et démarrer la réception des données en temps réel.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/642/1*aBS8e7IE2iyfXoi0rZmB5A.png" /></figure><p>Cette approche permet de personnaliser et d’automatiser les tâches liées à la réception de signaux radio, rendant les dongles RTL-SDR encore plus puissants et polyvalents.</p><h3>Applications possibles</h3><p>Les applications des RTL-SDR sont nombreuses et il s’en invente de nouvelles régulièrement. Voici quelques exemples :</p><ul><li><strong>Signal Finding</strong> : Une méthode pour trouver l’origine des signaux RF.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XqaoOrW2kN2fmQbaIFnoiQ.jpeg" /><figcaption>un système de Signal Finding utilisant 3 dongle USB partageant le même TCXO</figcaption></figure><ul><li><strong>Radar Passif</strong> : Utiliser les signaux émis par des sources non coopératives (comme les tours de télévision) pour détecter des objets en mouvement dans l’environnement.</li><li><strong>ADS-B</strong> : Suivi des avions en temps réel en captant les transmissions ADS-B des avions commerciaux.</li><li><strong>Radioamateur</strong> : Réception des communications radioamateurs sur diverses bandes de fréquences.</li><li><strong>Météo</strong> : Réception des signaux météorologiques envoyés par les satellites.</li></ul><h3>Conclusion</h3><p>Avec un simple dongle RTL-SDR, à moins de 20 euros, il est possible de transformer son PC en un puissant dispositif d’écoute des signaux RF. Que ce soit pour des expériences éducatives ou pour des applications plus avancées comme le suivi d’avions ou la détection radar, le RTL-SDR offre un potentiel immense. Son faible coût et sa grande flexibilité en font un outil aussi bien adapté à l’apprentissage qu’à des usages pratiques.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1551491cb298" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>