Nous suivre Industrie Techno

[Video] Grâce à la simulation, Facebook apprend aux robots à s’adapter à différents terrains

Alexandre Couto
Soyez le premier à réagir

Soyez le premier à réagir

[Video] Grâce à la simulation, Facebook apprend aux robots à s’adapter à différents terrains

Les algorithmes mis au point par FAIR, et les Université de Berkeley et Carnegie Mellon, permettent au robot d'adapter ses mouvements en fonction de l'environnement sans programmation préalable.

© Facebook

Les chercheurs de Facebook AI Research (FAIR), en partenariat avec Berkeley AI Research et l’Université Carnegie Mellon, ont mis au point une nouvelle technologie d'intelligence artificielle pour permettre aux robots d’adapter en temps réel leurs mouvements en fonction de l’environnement. Une avancée qui pourrait permettre aux robots mobiles de s’affranchir d’un codage préalable.

 

Le Facebook AI Research (FAIR), entité du géant américain dédiée à l’intelligence artificielle, a dévoilé 9 juillet le résultat de ses travaux dans le domaine de l’IA appliquée à la robotique. Menés en partenariat avec Berkeley AI Research et l’université Carnegie Mellon, aux Etats-Unis, ils ont aboutis à une nouvelle méthode permettant aux robots quadrupèdes de s’adapter en temps réel à différents environnements. Ils peuvent ainsi s’affranchir de l’étape de codage préalable qui est jusqu’à présent nécessaire.

Combiner l’apprentissage par renforcement et supervisé

Baptisée, « Rapid Motor Adaptation » (RMA), cette technologie combine des programmes d’apprentissage par renforcement, dopés grâce à la simulation, et d’apprentissage supervisé pour permettre au robot d’utiliser la meilleure stratégie de déplacement en fonction de la nature du terrain rencontré.

L’apprentissage par renforcement consiste à laisser le robot explorer son environnement en toute liberté. Les mouvements les plus efficaces sont évalués en fonction d’une « récompense » plus ou moins importante si les actions du robot rapprochent celui-ci de l’objectif à atteindre.

Comme cette méthode nécessite un grand nombre d’essais, les chercheurs ont privilégié une approche par la simulation. Les données issues de différents terrains sont fournis au robot afin qu’il puisse tester différentes approches et retienne les meilleurs mouvements à accomplir en fonction du type de terrain.

Evaluer son environnement

L’apprentissage supervisé intervient au niveau du « module d’adaptation » du robot. Il permet au robot d’évaluer son environnement en temps réel à partir des informations glanées par ses capteurs lors de son dernier mouvement. Celles-ci apportent des indications supplémentaires sur la nature du terrain, comme par exemple un sol meuble dans lequel les jambes du robot s’enfoncent ou une variation dans la hauteur sur laquelle les jambes viennent buter.

Ces paramètres dits extrinsèques, bien connus et identifiés, ont été fournis au module par les chercheurs. Cet apprentissage supervisé permet au système de mieux appréhender l’environnement à partir de l’historique récent de l’état du robot.

Bienvenue !

Vous êtes désormais inscrits. Vous recevrez prochainement notre newsletter hebdomadaire Industrie & Technologies

Nous vous recommandons

Vers des membres prosthétiques toujours plus humains

Vers des membres prosthétiques toujours plus humains

Lors de la conférence internationale Humanoids 2020, qui s'est déroulée du 19 au 21 juillet, le chercheur italien Antonio[…]

22/07/2021 | SantéRobots
Arrivée à maturité, l'impression 3D céramique gagne les applications techniques

Arrivée à maturité, l'impression 3D céramique gagne les applications techniques

Bosch inaugure son usine 4.0 de puces à 1 milliard d'euros en Allemagne

Bosch inaugure son usine 4.0 de puces à 1 milliard d'euros en Allemagne

 « Le risque de décrochage de la France sur les technologies d’impression 3D est réel », alerte Christophe Eschenbrenner, Président de France Additive

« Le risque de décrochage de la France sur les technologies d’impression 3D est réel », alerte Christophe Eschenbrenner, Président de France Additive

Plus d'articles