Nouvelle méthode permettant aux humains d’aider les robots à “voir” leur environnement

Une équipe d’ingénieurs de l’Université Rice a développé une nouvelle méthode qui permet aux humains d’aider les robots à “voir” leur environnement et à effectuer diverses tâches. 

La nouvelle stratégie est appelée Bayesian Learning IN the Dark (BLIND), qui est une solution novatrice au problème de la planification du mouvement pour les robots opérant dans des environnements où il y a parfois des angles morts. 

L’étude a été menée par les informaticiens Lydi Kavraki et Vaibhav Unhelkar et co-dirigée par Carlos Quintero-Peña et Constantinos Chamzas de l’École d’ingénierie George R. Brown de Rice. Elle a été présentée à la Conférence internationale sur la robotique et l’automatisation de l’Institut des ingénieurs électriciens et électroniciens.

Humain dans la boucle 

Selon l’étude, l’algorithme maintient un humain dans la boucle pour “augmenter la perception du robot et, importantly, empêcher l’exécution de mouvements dangereux.”

L’équipe a combiné l’apprentissage inversé de renforcement bayésien avec des techniques de planification de mouvement établies pour aider les robots avec de nombreuses parties mobiles. 

Pour tester BLIND, un robot avec un bras articulé à sept joints a été chargé de saisir un petit cylindre sur une table avant de le déplacer vers une autre. Cependant, le robot devait d’abord passer par une barrière. 

“Si vous avez plus de joints, les instructions au robot sont compliquées”, a déclaré Quintero-Peña. “Si vous dirigez un humain, vous pouvez simplement dire : ‘Lève la main.'”

Cependant, un robot nécessite des programmes qui sont spécifiques sur le mouvement de chaque joint à chaque point de sa trajectoire, et cela devient encore plus important lorsqu’il y a des obstacles qui bloquent sa “vue”. 

Apprendre à “voir” autour des obstacles

BLIND ne programme pas de trajectoire à l’avance. Au lieu de cela, il insère un humain en cours de processus pour affiner les options chorégraphiées suggérées par l’algorithme du robot. 

“BLIND nous permet de prendre des informations dans la tête de l’humain et de calculer nos trajectoires dans cet espace à degré de liberté élevé”, a déclaré Quintero-Peña. “Nous utilisons une méthode spécifique de rétroaction appelée critique, essentiellement une forme binaire de rétroaction où l’humain est donné des étiquettes sur des morceaux de la trajectoire.”

Les étiquettes apparaissent sous forme de points verts connectés, représentant des chemins possibles. Alors que BLIND passe d’un point à l’autre, l’humain approuve ou rejette chaque mouvement, affinant le chemin et évitant les obstacles. 

“C’est une interface facile à utiliser pour les gens, car nous pouvons dire : ‘J’aime cela’ ou ‘Je n’aime pas cela’, et le robot utilise ces informations pour planifier”, a déclaré Chamzas. Le robot peut effectuer sa tâche après avoir été récompensé pour ses mouvements. 

“L’une des choses les plus importantes ici est que les préférences humaines sont difficiles à décrire avec une formule mathématique”, a déclaré Quintero-Peña. “Notre travail simplifie les relations humain-robot en incorporant les préférences humaines. C’est ainsi que je pense que les applications tireront le plus grand bénéfice de ce travail.”

Kavraki a travaillé sur la programmation avancée pour le robot humanoïde Robonaut de la NASA à bord de la Station spatiale internationale. 

“Ce travail illustre merveilleusement comment une petite intervention humaine ciblée peut considérablement améliorer les capacités des robots à exécuter des tâches complexes dans des environnements où certaines parties sont complètement inconnues du robot mais connues de l’humain”, a déclaré Kavraki. 

“Cela montre comment les méthodes d’interaction humain-robot, le sujet de recherche de mon collègue le professeur Unhelkar, et la planification automatisée menée pendant des années dans mon laboratoire peuvent se combiner pour fournir des solutions fiables qui respectent également les préférences humaines.”