Des chercheurs du Massachusetts Institute of Technology (MIT) ont mis au point une technique d'IA conçue pour permettre aux robots de manipuler des objets en utilisant leur corps tout entier.
La manipulation d'objets à l'aide de multiples points de contact sur différentes parties du corps représente un énorme défi pour les robots. L'homme excelle dans la manipulation de l'ensemble du corps, en portant sans difficulté de grandes boîtes ou en tenant des objets irréguliers.
Cependant, les robots sont beaucoup moins compétents dans les tâches de manipulation complexes en raison des nombreux points de contact entre les objets et les différentes parties de leur corps.
Plutôt que de considérer ce système comme une "boîte noire", si nous pouvons exploiter la structure de ce type de systèmes robotiques à l'aide de modèles, il est possible d'accélérer l'ensemble de la procédure visant à prendre ces décisions et à élaborer des plans riches en contacts", a déclaré H.J. Terry Suh, étudiant diplômé en génie électrique et en informatique (EECS) et co-auteur principal de l'article de recherche.
Les travaux des chercheurs du MIT portent essentiellement sur l'intensité et la complexité informatiques des tâches de manipulation robotique, en particulier celles qui impliquent des scénarios riches en contacts. Les robots doivent envisager d'innombrables possibilités de contact avec un objet lorsqu'ils planifient une tâche de manipulation, ce qui entraîne un nombre intraitable de calculs.
Traditionnellement, les méthodes d'apprentissage par renforcement (RL) ont été déployées pour résoudre ce problème, mais elles nécessitent beaucoup de ressources informatiques et de temps.
Les étude a introduit le "lissage" pour résoudre ce problème. Le processus de "lissage" rationalise la charge de calcul en réduisant le nombre d'événements de contact que le robot doit prendre en compte. Il condense la myriade de points de contact potentiels en un ensemble gérable de décisions clés.
Essentiellement, de nombreuses actions et contacts sans importance que le robot pourrait effectuer sont éliminés, ne laissant que les points d'interaction vitaux qui doivent être calculés.
Pour mettre en œuvre le "lissage", l'équipe a conçu un modèle basé sur la physique. Ce modèle reproduit efficacement le type d'"élimination moyenne" des interactions non critiques qui se produit implicitement dans les méthodes d'apprentissage par renforcement.
L'équipe a testé son approche à la fois dans des simulations et dans du matériel robotique réel, montrant des performances comparables à celles de l'apprentissage par renforcement, mais à une fraction du coût de calcul.
Applications pratiques
Les implications de cette recherche sont potentiellement considérables. Sur le plan industriel, la technique pourrait permettre l'utilisation de robots plus petits et plus mobiles, capables d'effectuer des tâches complexes avec une plus grande flexibilité.
Il pourrait en résulter une réduction de la consommation d'énergie et des coûts d'exploitation. Au-delà des usines, cette technologie pourrait changer la donne pour les missions d'exploration spatiale, en permettant aux robots de s'adapter rapidement à des terrains ou à des tâches imprévisibles avec un minimum de ressources informatiques.
En outre, ces méthodes informatiques pourraient aider les chercheurs à construire des mains compétentes et réalistes.
"Les idées qui permettent la manipulation de l'ensemble du corps fonctionnent également pour la planification avec des mains dextres, semblables à celles de l'homme", a déclaré Russ Tedrake, auteur principal et professeur Toyota d'EECS au MIT.
Alors que l'IA alimente les transformations dans le domaine de la robotique, dotant les robots de compétences et de connaissances de plus en plus poussées, nous n'avons encore rien construit qui soit doté d'une dextérité biologique.
Le matériel d'IA est de plus en plus petit, puces à faible consommation d'énergie et que les chercheurs trouvent des moyens de résoudre les problèmes de calcul, les robots dextres, semblables à des êtres vivants, ne sont probablement pas loin.
