Ce robot a appris à marcher tout seul

Un robot apprenant à marcher de manière totalement autonome. Google

Dans les 10 minutes qui suivent sa naissance, un bébé faon est capable de se tenir debout. En sept heures, il est capable de marcher. Entre ces deux étapes, il s'engage dans un battement de membres très adorable et très frénétique pour tout comprendre.

C'est l'idée derrière la robotique alimentée par l'IA. Alors que les robots autonomes, comme les voitures autonomes, sont déjà un concept familier, apprentissage les robots ne sont encore qu'une aspiration. Les algorithmes d'apprentissage par renforcement existants qui permettent aux robots d'apprendre des mouvements par essais et erreurs reposent encore fortement sur l'intervention humaine. Chaque fois que le robot tombe ou sort de son environnement d'entraînement, il a besoin de quelqu'un pour le ramasser et le remettre dans la bonne position.

Maintenant un nouvelle étude des chercheurs de Google a fait un progrès important vers des robots qui peuvent apprendre à naviguer sans cette aide. En quelques heures, en s'appuyant uniquement sur des modifications apportées aux algorithmes de pointe actuels, ils ont réussi à faire en sorte qu'un robot à quatre pattes apprenne à marcher en avant et en arrière, et à tourner à gauche et à droite, complètement seul.

Le travail s'appuie sur Recherche précédente menée il y a un an, lorsque le groupe a découvert pour la première fois comment amener le robot à apprendre dans le monde réel. L'apprentissage par renforcement se fait couramment en simulation : un sosie virtuel du robot s'agite autour d'un sosie virtuel de l'environnement jusqu'à ce que l'algorithme soit suffisamment robuste pour fonctionner en toute sécurité. Il est ensuite importé dans le robot physique.

Cette méthode est utile pour éviter d'endommager un robot et son environnement pendant son processus d'essais et d'erreurs, mais elle nécessite également un environnement facile à modéliser. La dispersion naturelle du gravier ou le ressort d'un matelas sous le pas d'un robot prennent tellement de temps à simuler que cela n'en vaut même pas la peine.

Dans ce cas, les chercheurs ont décidé d'éviter complètement les défis de modélisation en s'entraînant dans le monde réel dès le début. Ils ont conçu un algorithme plus efficace qui pouvait apprendre avec moins d'essais et donc moins d'erreurs, et a permis au robot de se lever et de marcher en deux heures. Étant donné que l'environnement physique offrait des variations naturelles, le robot était également capable de s'adapter rapidement à d'autres environnements raisonnablement similaires, tels que des pentes, des marches et des terrains plats avec des obstacles.

Mais un humain devait encore garder le robot et intervenir manuellement des centaines de fois, explique Jie Tan, co-auteur de l'article qui dirige l'équipe de locomotion robotique de Google Brain. Au début, je n'y pensais pas, dit-il.

Ils ont donc commencé à résoudre ce nouveau problème. Tout d'abord, ils ont délimité le terrain que le robot était autorisé à explorer et l'ont entraîné sur plusieurs manœuvres à la fois. Si le robot atteignait le bord de la boîte englobante tout en apprenant à marcher vers l'avant, il inverserait la direction et commencerait à apprendre à marcher vers l'arrière à la place.

Deuxièmement, les chercheurs ont également limité les mouvements d'essai du robot, le rendant suffisamment prudent pour minimiser les dommages causés par les chutes répétées. Pendant les périodes où le robot tombait inévitablement de toute façon, ils ont ajouté un autre algorithme codé en dur pour l'aider à se relever.

Grâce à ces divers ajustements, le robot a appris à marcher de manière autonome sur plusieurs surfaces différentes, notamment un sol plat, un matelas en mousse à mémoire de forme et un paillasson avec des crevasses. Les travaux montrent le potentiel d'applications futures qui pourraient nécessiter des robots pour naviguer sur un terrain accidenté et inconnu sans la présence d'un humain.

Je pense que ce travail est assez excitant, déclare Chelsea Finn, professeure adjointe à Stanford, également affiliée à Google mais non impliquée dans la recherche. Retirer la personne du processus est vraiment difficile. En permettant aux robots d'apprendre de manière plus autonome, les robots sont plus proches de pouvoir apprendre dans le monde réel dans lequel nous vivons, plutôt que dans un laboratoire.

Elle prévient cependant que la configuration repose actuellement sur un système de capture de mouvement au-dessus du robot pour déterminer son emplacement. Ce ne sera pas possible dans le monde réel.

À l'avenir, les chercheurs espèrent adapter leur algorithme à différents types de robots ou à plusieurs robots apprenant en même temps dans le même environnement. En fin de compte, Tan pense que le crack de la locomotion sera la clé pour débloquer des robots plus utiles.

Beaucoup d'endroits sont construits pour les humains, et nous avons tous des jambes, dit-il. Si un robot ne peut pas utiliser ses jambes, il ne peut pas naviguer dans le monde humain.

Pour recevoir plus d'histoires comme celle-ci directement dans votre boîte de réception, inscrivez-vous à notre newsletter AI nominée par Webby, The Algorithm. C'est gratuit.

cacher