Nouveaux systèmes d’IA pour transformer l’adaptation des robots aux espaces du monde réel

Le domaine de la robotique a longtemps été confronté à un défi important : former les robots pour qu’ils fonctionnent efficacement dans des environnements dynamiques et réels. Alors que les robots excellent dans des environnements structurés comme les chaînes de montage, enseigner aux robots à naviguer dans la nature imprévisible des foyers et des espaces publics s’est avéré être une tâche redoutable. Le principal obstacle ? Une pénurie de données réelles et diversifiées nécessaires pour former ces machines.

Dans un nouveau développement de l’Université de Washington, les chercheurs ont présenté deux systèmes d’IA innovants qui pourraient potentiellement transformer la façon dont les robots sont formés pour des scénarios complexes et réels. Ces systèmes utilisent la puissance des données vidéo et photo pour créer des simulations réalistes pour la formation des robots.

RialTo : Création de jumeaux numériques pour la formation des robots

Le premier système, nommé RialTo, introduit une nouvelle approche pour créer des environnements de formation pour les robots. RialTo permet aux utilisateurs de générer un “jumeau numérique” – une réplique virtuelle d’un espace physique – en utilisant simplement un smartphone.

Le Dr Abhishek Gupta, professeur adjoint à l’École d’informatique et de génie de l’Université de Washington et co-auteur principal de l’étude, explique le processus : “Un utilisateur peut rapidement scanner un espace avec un smartphone pour enregistrer sa géométrie. RialTo crée ensuite une simulation de ‘jumeau numérique’ de l’espace.”

Ce jumeau numérique n’est pas simplement un modèle 3D statique. Les utilisateurs peuvent interagir avec la simulation, en définissant la façon dont les différents objets dans l’espace fonctionnent. Par exemple, ils peuvent démontrer comment les tiroirs s’ouvrent ou les appareils fonctionnent. Cette interaction est cruciale pour la formation des robots.

Une fois le jumeau numérique créé, un robot virtuel peut répéter des tâches dans cet environnement simulé. À travers un processus appelé apprentissage par renforcement, le robot apprend à effectuer des tâches efficacement, même en tenant compte de perturbations ou de changements potentiels dans l’environnement.

La beauté de RialTo réside dans sa capacité à transférer cet apprentissage virtuel au monde physique. Gupta note : “Le robot peut ensuite transférer cet apprentissage à l’environnement physique, où il est presque aussi précis qu’un robot formé dans une vraie cuisine.”

URDFormer : Génération de simulations à partir d’images internet

Alors que RialTo se concentre sur la création de simulations très précises d’environnements spécifiques, le deuxième système, URDFormer, adopte une approche plus large. URDFormer vise à générer un large éventail de simulations génériques rapidement et de manière rentable.

Zoey Chen, étudiante en doctorat à l’Université de Washington et auteur principal de l’étude URDFormer, décrit l’approche unique du système : “URDFormer scanne les images sur Internet et les associe à des modèles existants de la façon dont, par exemple, les tiroirs et les armoires de cuisine fonctionnent probablement. Il prédit ensuite une simulation à partir de l’image réelle initiale.”

Cette méthode permet aux chercheurs de générer rapidement des centaines d’environnements simulés diversifiés. Même si ces simulations ne sont pas aussi précises que celles créées par RialTo, elles offrent un avantage crucial : l’échelle. La capacité de former des robots à travers un large éventail de scénarios peut considérablement améliorer leur adaptabilité à diverses situations réelles.

Chen souligne l’importance de cette approche, en particulier pour les environnements domestiques : “Les foyers sont uniques et changent constamment. Il y a une diversité d’objets, de tâches, de plans d’étage et de personnes qui les traversent. C’est là que l’IA devient vraiment utile pour les roboticistes.”

En exploitant les images Internet pour créer ces simulations, URDFormer réduit considérablement le coût et le temps nécessaires pour générer des environnements de formation. Cela pourrait potentiellement accélérer le développement de robots capables de fonctionner dans des environnements réels diversifiés.

Démocratisation de la formation des robots

L’introduction de RialTo et d’URDFormer représente un grand pas en avant vers la démocratisation de la formation des robots. Ces systèmes ont le potentiel de réduire considérablement les coûts associés à la préparation des robots pour les environnements réels, les rendant ainsi plus accessibles aux chercheurs, développeurs et même aux utilisateurs finals.

Le Dr Gupta met en évidence le potentiel de démocratisation de cette technologie : “Si vous pouvez faire fonctionner un robot dans votre maison en le scannant simplement avec votre téléphone, cela démocratise la technologie.” Cette accessibilité pourrait accélérer le développement et l’adoption de la robotique domestique, nous rapprochant d’un avenir où les robots domestiques sont aussi courants que les smartphones.

Les implications pour la robotique domestique sont particulièrement excitantes. Comme les foyers représentent l’un des environnements les plus difficiles pour les robots en raison de leur diversité et de leur nature changeante, ces nouvelles méthodes de formation pourraient être un facteur de changement. En permettant aux robots d’apprendre et de s’adapter aux dispositions et aux routines individuelles des foyers, nous pourrions voir une nouvelle génération d’assistants domestiques vraiment utiles capables d’effectuer une large gamme de tâches.

Approches complémentaires : Pré-formation et déploiement spécifique

Alors que RialTo et URDFormer abordent le défi de la formation des robots sous des angles différents, ils ne sont pas mutuellement exclusifs. En fait, ces systèmes peuvent fonctionner en tandem pour fournir un régime de formation plus complet pour les robots.

“Les deux approches peuvent se compléter”, explique le Dr Gupta. “URDFormer est vraiment utile pour la pré-formation sur des centaines de scénarios. RialTo est particulièrement utile si vous avez déjà pré-formé un robot et que vous voulez maintenant le déployer dans la maison de quelqu’un et qu’il soit peut-être à 95 % réussi.”

Cette approche complémentaire permet un processus de formation en deux étapes. Tout d’abord, les robots peuvent être exposés à une large gamme de scénarios en utilisant les simulations rapidement générées par URDFormer. Cette exposition large aide les robots à développer une compréhension générale des différents environnements et tâches. Ensuite, pour des déploiements spécifiques, RialTo peut être utilisé pour créer une simulation très précise de l’environnement exact où le robot fonctionnera, permettant ainsi un affinement de ses compétences.

En regardant vers l’avenir, les chercheurs explorent des moyens pour améliorer encore ces méthodes de formation. Le Dr Gupta mentionne les directions de recherche futures : “À l’avenir, l’équipe RialTo souhaite déployer son système dans les foyers des gens (il a été testé principalement en laboratoire).” Ce test dans le monde réel sera crucial pour affiner le système et en garantir l’efficacité dans des environnements domestiques diversifiés.

Défis et perspectives futures

Malgré les progrès prometteurs, des défis persistent dans le domaine de la formation des robots. L’un des principaux problèmes auxquels les chercheurs sont confrontés est de savoir comment combiner efficacement les données du monde réel et les données de simulation.

Le Dr Gupta reconnaît ce défi : “Nous devons encore déterminer comment combiner au mieux les données collectées directement dans le monde réel, qui sont coûteuses, avec les données collectées dans les simulations, qui sont peu coûteuses, mais légèrement incorrectes.” L’objectif est de trouver l’équilibre optimal qui exploite la rentabilité des simulations tout en maintenant la précision offerte par les données du monde réel.

L’impact potentiel sur l’industrie de la robotique est considérable. Ces nouvelles méthodes de formation pourraient accélérer le développement de robots plus capables et plus adaptables, potentiellement conduisant à des avancées dans des domaines allant de l’assistance domestique aux soins de santé et au-delà.

De plus, à mesure que ces méthodes de formation deviennent plus raffinées et accessibles, nous pourrions voir un changement dans l’industrie de la robotique. Les petites entreprises et même les développeurs individuels pourraient avoir les outils pour former des robots sophistiqués, potentiellement conduisant à une explosion d’applications robotiques innovantes.

Les perspectives futures sont excitantes, avec des applications potentielles s’étendant bien au-delà des cas d’utilisation actuels. À mesure que les robots deviennent plus habiles à naviguer et à interagir avec les environnements réels, nous pourrions les voir prendre en charge des tâches de plus en plus complexes dans les foyers, les bureaux, les hôpitaux et les espaces publics.