Des chercheurs de Georgia Tech ont développé un nouveau « contrôleur corporel global » pour enseigner à un robot humanoïde à marcher sur des terrains irréguliers du monde réel. L’approche est à la fois plus rapide en calcul et moins onéreuse que les méthodes d’entraînement dominantes. L’équipe a testé l’humanoïde sur des surfaces présentes sur le campus — sable, herbe détrempée, gravier, pentes, escaliers et sol plat — et a constaté une bonne robustesse aux perturbations physiques.
Le doctorant Feiyang Wu a dirigé les travaux, présentés à l’IEEE International Conference on Robotics and Automation. Plutôt que d’utiliser l’entraînement séquentiel classique « teacher and student », où l’agent enseignant est d’abord formé en simulation puis transmet son savoir à l’étudiant, les chercheurs entraînent l’enseignant et l’étudiant simultanément. L’enseignant continue d’apprendre tout en guidant l’étudiant et profite des données produites par celui-ci. Ce changement réduit l’écart d’imitation entre enseignant et étudiant et limite les pertes d’informations collectées en simulation, un point important car les simulations exigent de nombreuses heures de calcul sur des GPU.
Après l’entraînement, l’équipe a testé le contrôleur sur un humanoïde physique dans le laboratoire de Ye Zhao ; le robot a maintenu une marche fluide et s’est adapté quand il a été poussé ou tiré. Le cadre « Learn to Teach » de Wu est conçu pour être générique et applicable à d’autres conceptions de robots et à d’autres tâches. Les travaux sont issus d’une collaboration entre la George W. Woodruff School of Mechanical Engineering et la School of Computational Science and Engineering, et ont reçu le soutien de l’Office of Naval Research, du US Department of Agriculture et de la National Science Foundation.
Mots difficiles
- contrôleur corporel global — programme de contrôle qui gère tout le corps
- humanoïde — robot qui a une forme et mouvements humains
- entraînement séquentiel — procédé où l'apprentissage se fait en étapes
- enseignant — agent qui guide ou transmet son savoir
- étudiant — agent qui apprend à partir des instructions
- simulation — modèle informatique qui reproduit un environnement
- robustesse — capacité à rester performant malgré les perturbations
- perturbation — action qui dérange ou modifie un système stableperturbations
Astuce : survolez, mettez le focus ou touchez les mots en surbrillance dans l’article pour voir des définitions rapides pendant que vous lisez ou écoutez.
Questions de discussion
- Quels avantages et quelles limites voyez-vous à entraîner l'enseignant et l'étudiant simultanément ? Donnez des raisons.
- De quelle façon un contrôleur conçu pour être générique pourrait aider d'autres types de robots ou tâches ?
- Pourquoi est-il important de réduire les pertes d'informations lors de la simulation dans ce domaine de recherche ?
Articles liés
Une coque qui se referme comme un tatou
Des chercheurs de North Carolina State University ont créé un module protecteur qui se recroqueville en boule pour abriter des appareils fragiles et des robots souples. Le dispositif, appelé MIPM, se déclenche automatiquement quand il détecte un contact.
Des modèles de langage distinguent la plausibilité des événements
Des chercheurs de Brown University ont testé si des modèles de langage reconnaissent des événements plausibles, improbables, impossibles ou sans sens. Ils ont utilisé l'interprétabilité mécanistique et trouvé des vecteurs internes qui reflètent les jugements humains.
Pourquoi les modèles ratent la multiplication à quatre chiffres
Une étude montre que l'entraînement standard empêche certains modèles de langage de garder les valeurs intermédiaires nécessaires pour multiplier deux nombres à quatre chiffres. Une méthode appelée ICoT permet au modèle d'atteindre 100 % et de mémoriser ces étapes.