Certains élèves travaillant sur Thymio se sont demandés si on pouvait faire notre propre programme en python et faire fonctionner nos Thymio avec.
En septembre 2024, nous avons décider de faire un programme avec KNN et
ensuite nous avons fait notre propre programme en python. Ensuite nous avons fait des variante de notre programme, il y en avait un avec trois capteurs et un avec cinq capteurs.

Par la suite nous avons décider de faire des testes pour pouvoir comparer le temps de chaque Thymio avec différentes programmation. De plus les Thymio n’ont pas été programmés avec la même vitesse.

Donc il y avait :
- un Thymio avec le programme python avec trois capteurs
- un Thymio avec le programme python avec cinq capteurs
- un Thymio avec l’IA
Nous les avons fait concourir sur un circuit de deux mètres par deux mètres
et nous avons fait trois tours.

Nos résultats étaient :
Le Thymio avec trois capteurs a mis 5 min 03 s et 65 centièmes.
Le Thymio avec cinq capteurs a mis 4 min 54 s et 55 centièmes.
Et le dernier Thymio avec l’IA a mis 10 min 37 s et 75 centièmes.

Étude comparative de différentes programmations du robot Thymio
Depuis septembre 2023, nous menons un projet de recherche et de développement autour du robot Thymio, un robot éducatif programmable équipé d’une intelligence artificielle (IA). Au cours de l’année précédente, nous avons expérimenté différents réseaux de neurones artificiels. Nos observations ont montré que la variation du nombre de couches (une ou deux) et de neurones par couche (quatre ou huit) n’avait qu’un impact marginal sur le comportement du robot.
Cette constatation a conduit une partie de notre groupe à s’interroger sur la possibilité de programmer Thymio manuellement, en utilisant le langage Python, afin de comparer les performances avec celles obtenues via l’IA.
À partir de septembre 2024, nous avons entrepris la création de notre propre algorithme de pilotage basé sur l’algorithme des k plus proches voisins (KNN). Nous avons ensuite conçu plusieurs variantes de ce programme :
une version utilisant trois capteurs de proximité ;
une version exploitant cinq capteurs.
Afin d’évaluer les performances respectives de ces différentes approches, nous avons mis en place un protocole de test consistant à faire circuler chaque robot sur un circuit carré de 2 mètres par 2 mètres, avec un total de trois tours par robot. Il est important de noter que la vitesse de déplacement n'était pas uniformisée entre les robots, ce qui constitue une variable supplémentaire dans l’analyse.
Trois configurations ont été testées :
Thymio programmé en Python avec trois capteurs ;
Thymio programmé en Python avec cinq capteurs ;
Thymio utilisant l’IA (réseaux de neurones artificiels).
Les résultats chronométrés sont les suivants :
Thymio avec trois capteurs : 5 min 03 s ;
Thymio avec cinq capteurs : 4 min 54 s ;
Thymio avec IA : 10 min 37 s
Ces données montrent une nette amélioration des performances avec les programmes Python par rapport à l’IA, en particulier pour la version à cinq capteurs. Ces résultats suggèrent que la programmation manuelle, bien que plus technique, permet une optimisation plus fine du comportement du robot dans un environnement contrôlé.

​

​