Robot Toddler apprend à se tenir debout en imaginant comment le faire

Comme beaucoup de tout-petits, Darwin a parfois l'air un peu instable sur ses pieds. Mais à chaque mouvement maladroit, le robot humanoïde démontre une nouvelle façon importante pour les androïdes de faire face à des environnements difficiles ou inconnus. Le robot apprend à effectuer une nouvelle tâche en utilisant un processus quelque peu similaire aux processus neurologiques qui sous-tendent l'apprentissage de l'enfant.

Darwin essaie de déplacer son torse sous le contrôle de plusieurs réseaux de neurones.

Darwin vit dans le laboratoire de Pieter Abbeel , professeur agrégé à l'Université de Californie à Berkeley. Quand j'ai vu le robot il y a quelques semaines, il était suspendu à un trépied d'appareil photo par un morceau de corde, ce qui avait l'air un peu tragique. Un peu plus tôt, Darwin se tortillait au bout de la corde, essayant de trouver le meilleur moyen de bouger ses membres pour se tenir debout sans tomber.

Les mouvements de Darwin sont contrôlés par plusieurs réseaux de neurones simulés, des algorithmes qui imitent la façon dont l'apprentissage se produit dans un cerveau biologique lorsque les connexions entre les neurones se renforcent et s'affaiblissent au fil du temps en réponse à l'entrée. L'approche utilise des réseaux de neurones très complexes, appelés réseaux d'apprentissage en profondeur, qui comportent de nombreuses couches de neurones simulés.

Pour que le robot apprenne à se tenir debout et à tordre son corps, par exemple, il effectue d'abord une série de simulations afin de former un réseau d'apprentissage en profondeur de haut niveau sur la manière d'effectuer la tâche, ce que les chercheurs comparent à un processus imaginaire. Cela fournit un guidage global pour le robot, tandis qu'un deuxième réseau d'apprentissage en profondeur est formé pour effectuer la tâche tout en répondant à la dynamique des articulations du robot et à la complexité de l'environnement réel. Le deuxième réseau est nécessaire car lorsque le premier réseau essaie, par exemple, de déplacer une jambe, le frottement ressenti au point de contact avec le sol peut le faire basculer complètement, provoquant la chute du robot.

Darwin le robot effectue diverses actions après un apprentissage virtuel et réel.

Les chercheurs ont appris au robot à se tenir debout, à bouger sa main pour effectuer des mouvements d'atteinte et à rester debout lorsque le sol en dessous s'incline.

Il s'entraîne en simulation pendant environ une heure, dit Igor Mordatch , un chercheur postdoctoral à l'UC Berkeley qui a mené l'étude. Ensuite, à l'exécution, il apprend à la volée comment ne pas glisser.

Le groupe d'Abbeel a déjà montré comment l'apprentissage en profondeur peut permettre à un robot d'effectuer une tâche, comme faire passer un bloc de construction de jouet à travers un trou en forme, à travers un processus d'essais et d'erreurs. La nouvelle approche est importante car il n'est pas toujours possible pour un robot de se livrer à une longue période de test. Et les simulations n'ont pas les complexités rencontrées dans le monde réel, des conditions qui, avec les robots, peuvent se transformer en une défaillance catastrophique.

Nous essayons de pouvoir faire face à plus de variabilité, dit Abbeel. Même une petite variabilité au-delà de ce pour quoi il a été conçu rend très difficile son fonctionnement.

La nouvelle technique pourrait s'avérer utile pour tout robot travaillant dans toutes sortes d'environnements réels, mais elle pourrait s'avérer particulièrement utile pour une locomotion à pattes plus gracieuse. L'approche actuelle consiste à concevoir un algorithme qui prend en compte la dynamique d'un processus tel que la marche ou la course (voir The Robots Walking This Way). Mais de tels modèles peuvent avoir du mal à faire face aux variations dans le monde réel, car de nombreux robots humanoïdes impliqués dans le DARPA Robotics Challenge démontré en tombant en marchant sur le sable, ou en se déséquilibrant en tendant la main pour saisir quelque chose (voir Why Robots, and Humans, Struggled with DARPA’s Challenge ). C'était un peu une confrontation avec la réalité, dit Abbeel. C'est ce qui se passe dans le monde réel.

Dieter Renard , professeur au département d'informatique et d'ingénierie de l'Université de Washington, spécialisé dans la perception et le contrôle des robots, affirme que l'apprentissage par réseau de neurones a un énorme potentiel en robotique. Je suis très enthousiasmé par toute cette direction de recherche, dit Fox. Le problème est toujours si vous voulez agir dans le monde réel. Les modèles sont imparfaits. Là où l'apprentissage automatique, et en particulier l'apprentissage en profondeur, entre en jeu, c'est l'apprentissage des interactions réelles du système.

cacher