La couverture médiatique des robots humanoïdes s’est principalement concentrée sur la conception matérielle.
Cependant, la véritable avancée réside dans le développement de systèmes d’intelligence robotique capables de tirer parti des mouvements complexes offerts par un design bipède. L’utilisation de l’IA générative dans la robotique est un sujet brûlant et de nouvelles recherches du MIT montrent comment cette technologie pourrait révolutionner le domaine.
Lire aussi :
- Quelles sont les préoccupations d’Elon Musk concernant les nouvelles intégrations ChatGPT d’Apple ?
- Apple va-t-il sherlocker Arc Search avec ses nouvelles fonctionnalités IA ?
L’enjeu de la formation des robots
L’un des plus grands défis sur la route vers des systèmes polyvalents est la formation. Alors que nous maîtrisons les meilleures pratiques pour former les humains à divers métiers, les approches pour la robotique restent fragmentées. Les méthodes prometteuses incluent l’apprentissage par renforcement et par imitation, mais les solutions futures impliqueront probablement des combinaisons de ces méthodes, augmentées par des modèles d’IA générative.
Une des principales utilisations proposées par l’équipe du MIT est la capacité de rassembler des informations pertinentes à partir de petits ensembles de données spécifiques à une tâche. Cette méthode a été baptisée “composition de politiques” (PoCo). Les tâches incluent des actions robotiques utiles comme planter un clou ou retourner des objets avec une spatule.
Apple Intelligence : La nouvelle IA générative d’Apple intégrée à ses systèmes d’exploitation
La composition de politiques (PoCo)
Les chercheurs du MIT ont formé un modèle de diffusion séparé pour apprendre une stratégie ou politique pour accomplir une tâche spécifique à partir d’un ensemble de données particulier. Ils combinent ensuite les politiques apprises par les modèles de diffusion en une politique générale qui permet à un robot d’exécuter plusieurs tâches dans divers contextes.
Selon le MIT, l’incorporation de modèles de diffusion a amélioré les performances des tâches de 20%. Cela inclut la capacité à exécuter des tâches nécessitant plusieurs outils ainsi que l’apprentissage et l’adaptation à des tâches inconnues. Le système peut combiner des informations pertinentes provenant de différents ensembles de données en une chaîne d’actions nécessaires pour exécuter une tâche.
“Un des avantages de cette approche est que nous pouvons combiner des politiques pour obtenir le meilleur des deux mondes”, déclare Lirui Wang, l’auteur principal de l’article. “Par exemple, une politique formée sur des données du monde réel pourrait atteindre plus de dextérité, tandis qu’une politique formée sur une simulation pourrait atteindre plus de généralisation.”
Vers des systèmes polyvalents
L’objectif de ce travail spécifique est la création de systèmes intelligents permettant aux robots de changer d’outils pour accomplir différentes tâches. La prolifération de systèmes polyvalents rapprocherait l’industrie du rêve de systèmes à usage général. Cette avancée pourrait transformer de manière significative notre interaction avec les robots et élargir les possibilités d’applications dans divers secteurs.
En intégrant l’IA générative, les robots humanoïdes ne se contenteront plus d’être des curiosités technologiques mais deviendront des outils pratiques et polyvalents, capables de s’adapter à de nombreux contextes et besoins. L’avenir de la robotique s’annonce passionnant et promet des innovations qui changeront notre quotidien.
