Robots, rencontrez le monde – TechCrunch
Les documents de recherche viennent trop souvent pour que quiconque puisse les lire tous. Cela est particulièrement vrai dans le domaine de l’apprentissage automatique, qui affecte désormais (et produit des documents dans) pratiquement tous les secteurs et entreprises. Cette colonne vise à rassembler certaines des découvertes et articles récents les plus pertinents – en particulier, mais sans s’y limiter, l’intelligence artificielle – et à expliquer pourquoi ils sont importants.
Cette édition, nous avons beaucoup d’articles concernant l’interface entre l’IA ou la robotique et le monde réel. Bien sûr, la plupart des applications de ce type de technologie ont des applications dans le monde réel, mais cette recherche porte spécifiquement sur les difficultés inévitables qui surviennent en raison des limitations de chaque côté de la fracture réel-virtuel.
Un problème qui revient constamment en robotique est la lenteur des choses dans le monde réel. Naturellement, certains robots formés à certaines tâches peuvent les faire avec une vitesse et une agilité surhumaines, mais pour la plupart, ce n’est pas le cas. Ils doivent vérifier si souvent leurs observations par rapport à leur modèle virtuel du monde que des tâches telles que ramasser un objet et le déposer peuvent prendre quelques minutes.
Ce qui est particulièrement frustrant à ce sujet, c’est que le monde réel est le meilleur endroit pour entraîner des robots, car ils y opéreront finalement. Une approche pour résoudre ce problème consiste à augmenter la valeur de chaque heure de test dans le monde réel que vous effectuez, ce qui est l’objectif de ce projet chez Google.
Dans un article de blog plutôt technique, l’équipe décrit le défi d’utiliser et d’intégrer les données de plusieurs robots en apprenant et en effectuant plusieurs tâches. C’est compliqué, mais ils parlent de créer un processus unifié pour l’attribution et l’évaluation des tâches, et d’ajuster les futures affectations et évaluations en fonction de cela. Plus intuitivement, ils créent un processus par lequel le succès de la tâche A améliore la capacité des robots à effectuer la tâche B, même s’ils sont différents.
Les humains le font – savoir comment bien lancer une balle vous donne une longueur d’avance pour lancer une fléchette, par exemple. Tirer le meilleur parti d’une formation précieuse dans le monde réel est important, et cela montre qu’il y a beaucoup plus d’optimisation à faire là-bas.
Une autre approche consiste à améliorer la qualité des simulations afin qu’elles soient plus proches de ce qu’un robot rencontrera lorsqu’il transportera ses connaissances dans le monde réel. C’est l’objectif de l’environnement de formation THOR de l’Institut Allen pour l’IA et de son plus récent habitant, ManipulaTHOR.
Crédits d’image: Institut Allen
Des simulateurs comme THOR fournissent un analogue du monde réel où une IA peut apprendre des connaissances de base comme comment naviguer dans une pièce pour trouver un objet spécifique – une tâche étonnamment difficile! Les simulateurs équilibrent le besoin de réalisme avec le coût de calcul pour le fournir, et le résultat est un système où un robot agent peut passer des milliers d’heures virtuelles à essayer des choses encore et encore sans avoir besoin de les brancher, huiler leurs articulations, etc. au.