Des chercheurs de l'ETH Zurich ont mis au point un syst\u00e8me robotique capable de r\u00e9soudre un jeu de labyrinthe du monde r\u00e9el gr\u00e2ce \u00e0 l'apprentissage par renforcement.\u00a0<\/b><\/p>\n
Comme indiqu\u00e9 dans le document <\/span>leur \u00e9tude<\/span><\/a> \"Apprentissage efficace par \u00e9chantillonnage pour r\u00e9soudre un jeu de labyrinthe dans le monde r\u00e9el \u00e0 l'aide d'un mod\u00e8le d'apprentissage par renforcement bas\u00e9 sur les donn\u00e9es\", ce robot dot\u00e9 d'une IA a ma\u00eetris\u00e9 le jeu de labyrinthe BRIO en seulement cinq heures de donn\u00e9es d'entra\u00eenement, surpassant ainsi toutes les tentatives ant\u00e9rieures connues.<\/span><\/p>\n Le jeu du labyrinthe BRIO, que certains connaissent peut-\u00eatre, est un test de motricit\u00e9 fine et de raisonnement spatial qui demande aux joueurs de faire naviguer une bille d'acier dans un labyrinthe en inclinant le terrain de jeu.\u00a0<\/span><\/p>\n Malgr\u00e9 son apparente simplicit\u00e9, le jeu est complexe en raison de la relation entre la balle et les murs, des irr\u00e9gularit\u00e9s de la surface et de la dynamique non lin\u00e9aire du bouton de commande. Ces d\u00e9fis font du labyrinthe un terrain id\u00e9al pour l'application et l'\u00e9valuation de m\u00e9thodes d'apprentissage robotique de pointe.<\/span><\/p>\n L'\u00e9quipe de l'ETH Zurich, dirig\u00e9e par Thomas Bi et le professeur Raffaello D'Andrea, a mis au point une m\u00e9thode qui permet d'extraire des observations efficaces du labyrinthe \u00e0 l'aide d'images de cam\u00e9ras.\u00a0<\/span><\/p>\n Le processus d'apprentissage de l'IA est bas\u00e9 sur l'apprentissage par renforcement d'un mod\u00e8le, \u00e0 l'aide d'une fonction de r\u00e9compense d\u00e9finie par la progression dans le labyrinthe.<\/span><\/p>\n Apr\u00e8s l'entra\u00eenement, le robot IA a r\u00e9ussi \u00e0 parcourir le labyrinthe avec un taux de r\u00e9ussite de 76% et un temps d'ex\u00e9cution moyen de 15,73 secondes. Ce r\u00e9sultat est l\u00e9g\u00e8rement sup\u00e9rieur au meilleur record humain de 15,95 secondes.<\/span><\/p>\n Le syst\u00e8me utilise une cam\u00e9ra pour capturer des images de haut en bas, extrayant des donn\u00e9es cruciales telles que la position de la balle et le trac\u00e9 du labyrinthe. Apprentissage automatique <\/span>Les techniques d'observation en miroir permettent d'am\u00e9liorer les donn\u00e9es d'apprentissage, de g\u00e9n\u00e9rer des donn\u00e9es plus diversifi\u00e9es et d'am\u00e9liorer la g\u00e9n\u00e9ralisation.<\/span><\/p>\n Cette recherche repr\u00e9sente une avanc\u00e9e substantielle dans l'application de l'IA dans des environnements dynamiques et r\u00e9els. L'\u00e9quipe de l'ETH pr\u00e9voit de mettre son projet en open source, estimant que son syst\u00e8me pourrait servir de r\u00e9f\u00e9rence r\u00e9elle pr\u00e9cieuse pour d'autres recherches sur l'IA en raison de son faible encombrement, de son co\u00fbt modeste et de la simplicit\u00e9 de sa configuration mat\u00e9rielle.<\/span><\/p>\n D'autres r\u00e9sultats sont publi\u00e9s <\/span>sur ce site,<\/span><\/a> et vous pouvez regarder une vid\u00e9o du fonctionnement du syst\u00e8me robotique intrigant ci-dessous.\u00a0<\/span><\/p>\nFonctionnement de l'\u00e9tude\u00a0<\/span><\/h2>\n