Alors que certains chercheurs cherchent à développer des intelligences artificielles (IA) capables de résoudre des problèmes auxquels les humains n’auraient même pas pensé, d’autres sont concentrés sur l’acquisition d’une compétence que la plupart d’entre nous considère comme évidente : **prendre des objets**.
Défis de la préhension pour les robots
Pour un robot, **savoir saisir et soulever correctement un objet** est loin d’être une tâche simple. Pour surmonter ce challenge, des chercheurs de l’**Université de Californie à Berkeley** ont formé un système d’apprentissage profond en utilisant un ensemble de données basé sur le cloud, comprenant plus de **mille objets**. Ce système a été exposé aux **formes 3D** et à l’apparence de chaque objet, sans oublier les lois physiques régissant leur préhension.
Tests et résultats impressionnants
Par la suite, ils ont évalué leur système en utilisant des objets physiques qui n’étaient pas inclus dans l’ensemble de données d’entraînement numérique. Quand le système évaluait ses chances de réussir à saisir un nouvel objet à plus de 50%, il parvenait en réalité à le faire 98% du temps — **sans avoir jamais été formé** sur des objets issus du monde réel.
DexNet 2.0 : Préhension avec 99% de précision.
Les chercheurs ont soumis leur étude pour publication. Ils envisagent de rendre leur ensemble de données accessible au public, ce qui pourrait permettre à d’autres d’élaborer leurs propres robots agiles et encourager des innovateurs à envisager d’autres manières d’exploiter le monde virtuel pour former des systèmes d’IA.
“Il est difficile de recueillir de grands ensembles de données sur la robotique,” a déclaré Stefanie Tellex, professeure assistante en apprentissage robotique à l’Université Brown, auprès de MIT Technology Review. “Cet article est passionnant car il démontre qu’un ensemble de données simulé peut servir à former un modèle de préhension. Et ce modèle réussit dans des applications réelles sur des robots physiques.”
FAQ
Pourquoi est-il important de développer des robots capables de saisir des objets ?
Le développement de robots capables de manipuler des objets ouvre la voie à des applications dans divers domaines, tels que la logistique, la santé, et l’automatisation des tâches ménagères.
Comment fonctionne l’apprentissage profond dans ce contexte ?
L’apprentissage profond utilise des réseaux de neurones pour apprendre des modèles à partir de données. Dans le cas des robots, cela signifie entraîner un modèle à comprendre comment interagir avec divers objets en utilisant des données simulées.
Quel est le rôle de la simulation dans la formation des IA ?
La simulation permet de créer des environnements d’apprentissage sûrs et contrôlés, où les robots peuvent être formés sans les risques ou les coûts liés à des erreurs dans le monde réel.
Quels défis résiduels restent à relever dans le domaine de la préhension robotique ?
Les défis tels que la variabilité des objets, les différents environnements d’utilisation, et la nécessité d’une prise en compte rapide des erreurs restent des points critiques à améliorer.