Les chercheurs de l’Université de Californie à Berkeley ont développé un modèle d’intelligence artificielle (IA) capable de faire fonctionner pratiquement n’importe quel robot, qu’il s’agisse de bras robotisés, de quadrupèdes ou même de drones.
Ce modèle, appelé CrossFormer, pourrait révolutionner la robotique. Il permettra à une seule politique de contrôle de fonctionner sur des robots aux configurations très diverses.
Traditionnellement, chaque robot nécessitait un logiciel de contrôle spécifique, adapté à sa conception physique. Les bras robotisés, les robots à roues et les quadrupèdes utilisaient des systèmes de contrôle spécialisés. En revanche, ce modèle unique promet de contrôler différents robots avec la même politique de contrôle. Ce qui était difficile à atteindre à cause des différences physiques entre les robots.
L’importance de la collecte de données robotique
L’un des plus grands défis en robotique réside dans la rare disponibilité des données pour l’entraînement des modèles d’apprentissage automatique. Contrairement à la vision par ordinateur ou au traitement du langage naturel, les données robotiques sont coûteuses et difficiles à collecter. Cela freine les progrès dans le développement de modèles universels capables de contrôler différents types de robots avec précision.
Pour surmonter ce problème, plusieurs initiatives ont vu le jour. Elles visent à regrouper des données robotiques provenant de différentes sources. Des projets comme Open X-Embodiment et DROID permettent de centraliser ces données, avec l’espoir que l’entraînement sur des données variées conduira à un transfert positif. Cela signifie que les compétences acquises sur une tâche peuvent améliorer les performances sur d’autres.
Le principal obstacle à un modèle unique est la grande diversité des incarnations robotiques. Chaque robot a des capteurs, des articulations et des modes d’observation différents. Par exemple, un bras robotisé utilise des caméras pour saisir et placer des objets, tandis qu’un quadrupède se sert de capteurs de force pour se déplacer. Cette différence complique l’utilisation d’un modèle unique pour tous les robots.
Le modèle CrossFormer
Selon Homer Walke, doctorant à l’Université de Californie à Berkeley, CrossFormer propose une solution à ce défi. Contrairement aux modèles antérieurs, qui étaient entraînés sur une sélection limitée de robots, CrossFormer peut s’entraîner sur des données provenant d’une large variété de robots. Ce modèle utilise l’architecture des transformateurs, une technologie déjà couramment utilisée dans les modèles de langage.
Les transformateurs permettent au modèle de traiter plusieurs types de données robotiques simultanément. Par exemple, il peut analyser à la fois des images de caméras positionnées sur des bras robotisés et des données de position articulaire provenant de quadrupèdes. Cela sans avoir besoin de modifier les données d’entrée pour les rendre similaires.
Des performances à la hauteur des modèles spécialisés
Le modèle CrossFormer a montré qu’il pouvait égaler, voire surpasser, les modèles spécialisés conçus pour des robots spécifiques. Il permet à un large éventail de robots d’effectuer des tâches variées. Parmi ces tâches figurent la prise et le placement d’objets, la découpe de sushis, ou encore l’évitement d’obstacles.
L’équipe de recherche a poussé le modèle plus loin en testant CrossFormer sur des robots non inclus dans l’ensemble de données d’entraînement. Par exemple, ils ont contrôlé un quadricoptère. Et malgré la simplification du vol à une altitude fixe, le modèle a surpassé les précédentes approches. Ce résultat prouve la flexibilité et la robustesse de ce modèle d’IA.
- Partager l'article :
