L’IA générative rapproche les robots d’un usage général

Vers des robots humanoïdes

La couverture médiatique de la robotique humanoïde s’est souvent concentrée sur la conception matérielle. Toutefois, étant donné l’utilisation fréquente du terme «humanoïdes à usage général» par leurs développeurs, il est crucial de se pencher sur le premier élément. Après des décennies de systèmes à usage unique, la transition vers des systèmes plus généralisés est primordiale, bien que nous n’y soyons pas encore tout à fait.

L’importance de l’IA générative

Les chercheurs se concentrent sur le développement d’une intelligence robotique capable d’exploiter pleinement la gamme de mouvements permise par la conception humanoïde bipède. L’IA générative joue un rôle clé dans cette évolution. Des recherches récentes du MIT montrent comment ces technologies peuvent avoir un impact significatif.

Un des plus grands défis pour développer des systèmes à usage général est la formation. Nous savons bien former les humains à divers travaux mais les méthodes robotiques restent fragmentées. Des approches prometteuses incluent l’apprentissage par renforcement et par imitation. Cependant, les solutions futures impliqueront probablement une combinaison de ces méthodes, enrichies par des modèles d’IA génératifs.

La méthode de composition de politique

L’équipe du MIT a proposé la méthode de composition de politique qui utilise l’IA générative pour rassembler des informations pertinentes à partir de petits ensembles de données spécifiques à des tâches. Par exemple, des tâches telles qu’enfoncer un clou ou retourner des objets avec une spatule.

Les chercheurs forment un modèle de diffusion distinct pour apprendre une stratégie, ou une politique. Cela permet d’accomplir une tâche en utilisant un ensemble de données spécifique. Ensuite, ils combinent les politiques apprises par les modèles de diffusion en une politique générale qui permet à un robot d’effectuer plusieurs tâches dans divers contextes.

Amélioration des performances des tâches grâce aux modèles de diffusion

Selon le MIT, l’incorporation de modèles de diffusion a amélioré les performances des tâches de 20%. Cela inclut la capacité d’exécuter des tâches nécessitant plusieurs outils et l’apprentissage/adaptation à des tâches inconnues. Le système peut combiner des informations de différents ensembles de données en une chaîne d’actions nécessaires pour accomplir une tâche.

L’un des avantages de cette approche est que nous pouvons combiner les politiques pour tirer le meilleur parti des deux mondes. Par exemple, une politique formée sur des données du monde réel pourrait atteindre plus de dextérité tandis qu’une politique formée sur la simulation pourrait offrir une plus grande généralisation.

L’objectif de ces travaux est de créer des systèmes d’intelligence permettant aux robots de changer d’outils pour effectuer diverses tâches. La prolifération de systèmes polyvalents rapprocherait l’industrie du rêve des robots à usage général.

Cathy Norton
Cathy Norton
Je baigne dans les cryptos depuis 2012. C'est un domaine qui me passionne. Et comme tout passionné, j'aime transmettre mon savoir qui grandit jour après jour. Un domaine infini qui se renouvelle sans cesse. C'est ça qui est passionnant.

Autres Articles

spot_img
4,317SuiveursSuivre

Derniers Articles