Bienvenue à l'université des robots (seuls les robots doivent postuler)

Photographie d'un bras de robot Monsieur Tech

L'un des héros méconnus de la révolution de l'IA est une base de données peu connue appelée ImageNet . Créé par des chercheurs de l'Université de Princeton, ImageNet contient quelque 14 millions d'images, chacune annotée par un texte participatif expliquant ce que montre l'image.

ImageNet est important car c'est la base de données sur laquelle de nombreux réseaux de neurones puissants d'aujourd'hui se sont fait les dents. Les réseaux de neurones apprennent en regardant les images et le texte qui les accompagne, et plus la base de données est grande, mieux ils apprennent. Sans ImageNet et d'autres ensembles de données visuelles similaires, même les réseaux de neurones les plus puissants seraient incapables de reconnaître quoi que ce soit.

Maintenant, les roboticiens disent qu'ils veulent essayer une approche similaire avec la vidéo pour apprendre à leurs protégés comment interagir avec l'environnement. Sudeep Dasari de l'Université de Californie à Berkeley et ses collègues créent une base de données appelée RoboNet, composée de données vidéo annotées de robots en action. Par exemple, les données peuvent inclure de nombreuses instances d'un robot déplaçant une tasse sur une table. L'idée est que n'importe qui peut télécharger ces données et les utiliser pour entraîner le réseau neuronal d'un robot à déplacer une tasse également, même s'il n'a jamais interagi avec une tasse auparavant.

Dasari et co espèrent transformer leur base de données en une ressource capable de pré-entraîner presque n'importe quel robot pour effectuer presque n'importe quelle tâche - une sorte d'université de robots, que l'équipe appelle RoboNet.

Jusqu'à présent, les roboticiens n'ont eu qu'un succès limité pour enseigner à leurs protégés comment naviguer et interagir avec l'environnement. Leur approche est la technique standard d'apprentissage automatique qu'ImageNet a contribué à populariser.

Ils commencent par enregistrer la façon dont un robot interagit avec, par exemple, une brosse pour la déplacer sur une surface. Ensuite, ils prennent de nombreuses autres vidéos de son mouvement et utilisent les données pour former un réseau de neurones sur la meilleure façon d'effectuer l'action.

L'astuce, bien sûr, est d'avoir beaucoup de données, en d'autres termes, d'innombrables heures de vidéo à partir desquelles apprendre. Et une fois qu'un robot a maîtrisé le déplacement des brosses, il doit passer par la même procédure d'apprentissage pour déplacer presque n'importe quoi d'autre, qu'il s'agisse d'une cuillère ou d'une paire de lunettes. Si l'environnement change, ces systèmes d'apprentissage doivent généralement tout recommencer.

La pratique courante consistant à re-collecter des données à partir de zéro pour chaque nouvel environnement signifie essentiellement réapprendre les connaissances de base sur le monde - un effort inutile, disent Dasari et co.

RoboNet contourne cela. Nous proposons RoboNet, une base de données ouverte pour partager l'expérience robotique, disent-ils. Ainsi, n'importe quel robot peut apprendre de l'expérience d'un autre.

Pour lancer la base de données, l'équipe a déjà enregistré quelque 15 millions d'images vidéo de tâches à l'aide de sept types de robots différents avec différentes pinces dans une variété d'environnements.

Dasari et ses collaborateurs montrent ensuite comment utiliser cette base de données pour pré-entraîner des robots à des tâches qu'ils n'ont jamais tentées auparavant. Et ils disent que les robots formés avec cette approche fonctionnent mieux que ceux qui ont été formés de manière conventionnelle sur encore plus de données.

le Données RoboNet est accessible à tous. Et bien sûr, Dasari et co espèrent que d'autres équipes de recherche commenceront à apporter leur propre contribution pour faire de RoboNet une vaste ressource d'apprentissage robotique.

C'est un travail impressionnant qui a un potentiel important. Ce travail constitue la première étape vers la création d'agents robotiques capables de fonctionner dans un large éventail d'environnements et sur différents matériels, explique l'équipe.

Bien sûr, des défis importants nous attendent. Par exemple, les chercheurs doivent trouver la meilleure façon d'utiliser les données – le jury n'a pas encore déterminé les régimes d'entraînement les plus efficaces. Nous espérons que RoboNet inspirera les communautés plus larges de la robotique et de l'apprentissage par renforcement à étudier comment mettre à l'échelle les algorithmes d'apprentissage par renforcement pour répondre à la complexité du monde réel, disent-ils.

Le résultat est à la fois impressionnant et stimulant : une sorte d'université robotique qui peut donner à n'importe quel robot les compétences dont il a besoin pour apprendre.

ImageNet a été un facteur clé pour rendre la vision artificielle aussi efficace que les humains pour la reconnaissance des objets. Si RoboNet n'a que la moitié du succès, ce sera un gain impressionnant.

Réf : arxiv.org/abs/1910.11215 : RoboNet : Apprentissage multi-robots à grande échelle

cacher