Google construit un jardin d'enfants robotique Hive-Mind

Combien de robots faut-il pour ouvrir une porte ? Si les robots essaient de comprendre comment effectuer la tâche à partir de zéro, il est utile d'en impliquer autant que possible.

Dans trois articles de recherche distincts publiés en ligne lundi, des chercheurs de Google et d'autres filiales d'Alphabet ont montré plusieurs façons dont les robots peuvent apprendre à effectuer des tâches simples plus rapidement en partageant différents types d'expériences d'apprentissage.

Les chercheurs forment des équipes de robots industriels pour effectuer des tâches simples en utilisant une technique appelée apprentissage par renforcement, qui combine des essais et des erreurs avec une rétroaction positive. Pour le moment, ces tâches sont extrêmement simples, comme ouvrir des portes ou déplacer des objets. Mais de telles avancées seront cruciales si les robots sont un jour capables d'aider aux tâches quotidiennes comme plier le linge ou faire la vaisselle.

Quatre robots s'entraînent à ouvrir différentes portes.

Bien que les robots deviennent moins chers et plus performants, les programmer pour qu'ils se comportent de manière fiable dans des situations quotidiennes imprévisibles est une tâche presque impossible. L'apprentissage par renforcement offre une solution, en laissant les robots se programmer eux-mêmes au fur et à mesure qu'ils apprennent sur le tas. Mais cela peut prendre beaucoup de temps pour un bot individuel d'essayer de nombreuses façons différentes d'effectuer une tâche. Le partage du processus d'apprentissage, une technique souvent appelée robotique cloud, peut aider à accélérer le processus, bien que l'idée reste à un stade précoce (voir 10 technologies révolutionnaires : des robots qui s'apprennent les uns les autres).

Dans les trois journaux publiés lundi, Sergueï Levine , chercheur chez Google qui dirige l'effort d'apprentissage des robots, et ses collègues détaillent plusieurs stratégies d'apprentissage qui peuvent être réparties sur un groupe de robots.

Dans chaque cas, les robots impliqués utilisent des réseaux de neurones qui tentent de prédire le résultat de différentes actions. Chaque robot varie légèrement son comportement, puis renforce les variations qui donnent de plus grandes récompenses. Ces réseaux sont ensuite renvoyés périodiquement à un serveur central qui construit un nouveau réseau de neurones qui combine tous les comportements appris, et ce réseau est redistribué aux robots pour un autre cycle de formation.

Dans la première expérience, l'objectif était de tourner une poignée de porte et d'ouvrir une porte, et quatre robots différents ont été mis au travail pour s'entraîner sur différents types de portes et de poignées. 'Puisque les robots ont été formés sur des portes qui semblent différentes les unes des autres, la politique finale réussit sur une porte avec une poignée qu'aucun des robots n'avait vue auparavant', a écrit Levine dans un article de blog co-écrit avec Timothy Lillicrap, chercheur chez Google DeepMind, et Mrinal Kalakrishnan, chercheur chez X, le centre de recherche «moonshot» de Google.

Dans la deuxième expérience, le processus d'apprentissage des robots a été accéléré grâce aux interactions d'une personne qui guide un bras de robot. Et dans un troisième, un robot a compris comment déplacer et faire pivoter des objets en utilisant l'entrée d'une caméra et une capacité acquise à prédire comment les actions changeraient l'image - ce que les chercheurs décrivent comme un simple modèle physique du monde. Stéphanie Tellex , professeur adjoint à l'Université Brown qui étudie l'apprentissage des robots, dit que c'est une idée passionnante. «Prédire les effets physiques d'actions comme pousser est passionnant car cela permet au robot de comprendre quelque chose sur le fonctionnement du monde», dit-elle.

L'entreprise tient évidemment à tirer le meilleur parti de ce qui pourrait être une révolution à venir dans le domaine grâce à l'application de techniques d'apprentissage automatique. Certains fabricants de robotique explorent déjà des moyens d'utiliser l'apprentissage par renforcement pour rationaliser la programmation de leurs produits.

«Bien sûr, les types de comportements que les robots peuvent apprendre aujourd'hui sont encore assez limités», écrivent les auteurs. 'Cependant, à mesure que les algorithmes s'améliorent et que les robots sont déployés plus largement, leur capacité à partager et à mettre en commun leurs expériences pourrait être déterminante pour leur permettre de nous aider dans notre vie quotidienne.'

cacher