211service.com
Un algorithme maître permet aux robots d'apprendre à effectuer des tâches complexes
Malgré tous les discours sur les machines qui deviennent intelligentes, faire en sorte qu'un robot sophistiqué fasse quelque chose de complexe, comme saisir un objet lourd et le déplacer d'un endroit à un autre, nécessite encore de nombreuses heures de programmation minutieuse et patiente.
Igor Mordatch , chercheur postdoctoral à l'Université de Californie à Berkeley, travaille sur une approche différente, qui pourrait aider à accélérer l'arrivée de robots assistants, voire de seigneurs. Il donne à un robot un objectif final et un algorithme qui lui permet de comprendre comment atteindre l'objectif par lui-même. C'est le genre d'indépendance qui sera nécessaire, par exemple, à un robot d'assistance à domicile pour vous apporter de manière fiable une tasse de café au comptoir.
Mordatch travaille dans le laboratoire de Pieter Abbeel, professeur agrégé de robotique à Berkeley. Lorsque j'ai visité le laboratoire cette année, j'ai vu toutes sortes de robots apprendre à effectuer différentes tâches. Un grand robot de recherche blanc appelé PR2, qui a une tête allongée et deux bras avec des mains en forme de pinces, découvrait lentement comment ramasser des blocs de construction brillants, à travers un processus laborieux et souvent maladroit d'essais et d'erreurs.
Alors qu'il travaille sur un meilleur processus d'enseignement, Mordatch utilise principalement des logiciels qui simulent des robots. Ce modèle virtuel, d'abord développé avec son directeur de thèse à l'Université de Washington, Todorov , et un autre professeur de l'école, Zoran Popović , a une certaine compréhension de la façon d'entrer en contact avec le sol ou avec des objets. L'algorithme d'apprentissage utilise ensuite ces directives pour rechercher le moyen le plus efficace d'atteindre un objectif. La seule chose que nous disons est 'C'est l'objectif, et la façon d'atteindre l'objectif est d'essayer de minimiser les efforts', déclare Mordatch. [La motion] ressort ensuite ces deux principes.
Les robots simulés de Mordatch se présentent sous toutes sortes de formes et de tailles, rendus dans des graphismes en blocs qui ressemblent à quelque chose d'un jeu vidéo non pêché. Il a testé son algorithme sur des formes humanoïdes ; des créatures sans tête à quatre pattes avec des corps absurdement gros; et même des créations ailées. Dans chaque cas, après une période d'apprentissage, un comportement remarquablement complexe émerge.
Comme le montre cette vidéo, un robot humanoïde peut apprendre à se lever de n'importe quelle position au sol et à se tenir debout sur deux jambes d'une manière très naturelle ; ou il grimpera sur un rebord, ou même effectuera un poirier. Le même processus fonctionne quelle que soit la forme que prend le robot, et il peut même permettre à deux robots de collaborer sur une tâche, comme déplacer un objet lourd.
S'appuyant sur ces travaux antérieurs, Mordatch a conçu cette année un moyen pour les robots d'effectuer des comportements répétitifs tels que marcher, courir, nager ou voler. Un réseau neuronal simulé est formé pour contrôler le robot en utilisant des informations sur son corps, l'environnement physique et l'objectif de se déplacer dans une direction particulière. Cela produit une locomotion d'apparence naturelle chez les robots virtuels avec une forme de corps humanoïde et des mouvements de battement chez ceux qui ont des ailes. Lorsqu'un opérateur indique au robot où aller, son réseau de neurones adapte les moyens de locomotion en conséquence.
Quelque chose de similaire peut se produire chez les humains et les autres animaux lorsqu'ils apprennent à se déplacer. Un nourrisson passe beaucoup de temps à apprendre à bouger son corps et utilise plus tard ces connaissances pour planifier rapidement et instinctivement de nouveaux mouvements.
Ce truc est beau, dit Josh Tenenbaum , professeur au Département des sciences cérébrales et cognitives du MIT, qui étudie comment les humains apprennent et travaille sur les moyens d'appliquer ces principes aux machines. Ils essaient vraiment de résoudre un problème que je pense que très peu de gens ont essayé de résoudre jusqu'à récemment.
Mordatch a récemment commencé à utiliser certaines de ses techniques dans un petit robot humanoïde appelé Darwin (voir Robot Toddler Learns to Stand by Imagining How to Do It). Cependant, l'utilisation des mêmes techniques d'optimisation et d'apprentissage dans le monde réel est plus difficile, car le monde physique est plus complexe et imprévisible, et parce qu'un algorithme contiendra des informations imparfaites ou bruyantes.