La formation en robotique est-elle en passe de réaliser des percées révolutionnaires ? Depuis des décennies, des organisations se consacrent à la création de jeux de données complexes et à la découverte de nouvelles méthodes pour enseigner aux systèmes à accomplir de nouveaux tâches. Mais sommes-nous vraiment sur le point de déployer une technologie capable d’adaptation et d’apprentissage en temps réel ?
Au cours de l’année écoulée, nous avons constaté un grand nombre d’études fascinantes. Par exemple, le projet VRB (Vision-Robotics Bridge) de l’Université Carnegie Mellon a fait sensation en juin. Le système est capable d’appliquer les enseignements tirés de vidéos YouTube à différents environnements, sans que le programmeur ait à entrevoir toutes les variations possibles.
« L’année dernière a vu de nombreuses avancées en matière d’apprentissage robotique »
Le mois dernier, l’équipe robotique DeepMind de Google a présenté son propre travail impressionnant, en la forme du RT-2 (Robotic Transformer 2). Le système est capable de faire abstraction des détails mineurs de l’exécution d’une tâche. Par exemple, la demande à un robot de jeter un déchet ne nécessite pas qu’un programmeur apprenne au robot à identifier des déchets spécifiques, à les ramasser et à les jeter pour effectuer une tâche apparemment simple (du moins pour les humains).
Une autre recherche mise en avant par CMU cette semaine compare leur travail à l’apprentissage humain en début de phase. Plus précisément, l’agent IA robotique est comparé à un enfant de trois ans. Pour contextualiser, le niveau d’apprentissage est scindé en deux catégories : l’apprentissage actif et l’apprentissage passif.
En quoi consiste l’apprentissage passif dans ce contexte ? Il s’agit d’enseigner à un système comment effectuer une tâche en lui montrant des vidéos ou en le formant sur les jeux de données susmentionnés. Quant à l’apprentissage actif, il est, comme son nom l’indique, de sortir et d’effectuer une tâche et de s’ajuster jusqu’à l’obtenir correctement. Le système RoboAgent, fruit d’un effort conjoint entre CMU et Meta AI (oui, ce Meta), combine ces deux types d’apprentissage, à la manière d’un humain.
Shubham Tulsiani de l’Institut de Robotique CMU déclare : « Un agent capable de ce type d’apprentissage nous rapproche d’un robot général qui peut accomplir une variété de tâches dans divers environnements inédits et évoluer constamment au fur et à mesure qu’il accumule des expériences ». Qu’en est-il alors de l’universel accessibilité de ces avancées ? Les données sont en open source et conçues pour être utilisées avec du matériel robotique disponible en libre-service, ce qui signifie que les chercheurs et les entreprises peuvent à la fois utiliser et enrichir une mine croissante de données et de compétences en robotique.
Le but ultime est de créer une technologie capable de dépasser les machines répétitives dans des environnements hautement structurés auxquels nous pensons lorsque nous imaginons des robots industriels. L’utilisation réelle et la montée en échelle sont bien sûr plus faciles à dire qu’à faire. Cependant, nous nous rapprochons chaque jour un peu plus d’une époque passionnante marquée par l’émergence de systèmes polyvalents.
Est-ce la fin d’une l’époque pour les programmeurs qui écrivent chaque ligne de code pour enseigner à un robot à effectuer des tâches ?
Source : Techcrunch
