La boucle d'apprentissage des robots gAxis Lorsque nous disons qu'un robot « apprend », il est facile d'imaginer que lui fournir suffisamment de données finira par le rendre bon à tout. La robotique du monde réel n'est pas aussi simple. Un robot peut observer des milliers d'exemples de quelqu'un qui ouvre un tiroir et peiner encore lorsque le tiroir est légèrement plus lourd, la poignée est positionnée différemment, ou son approche n'est pas tout à fait correcte. Cela vient du fait que la robotique ne se limite pas à reconnaître la bonne action. Il s'agit de savoir quoi faire lorsque l'action attendue ne fonctionne pas. Les humains apprennent cela naturellement. Nous essayons quelque chose, remarquons l'erreur, ajustons, et réessayons. L'expérience tirée de l'échec modifie notre approche de la prochaine tentative. L'IA physique a besoin d'un moyen de capturer ce même processus d'apprentissage. C’est ici qu’intervient Axis @axisrobotics développe un environnement où les robots peuvent être formés grâce à des interactions simulées avec des humains. Au lieu de réaliser chaque expérience d'apprentissage sur un robot physique, les formateurs peuvent interagir avec des robots simulés, les guider lorsqu'ils commettent des erreurs, et générer des trajectoires à partir de ces interactions. L'élément essentiel n'est pas simplement de collecter davantage d'enregistrements. C'est de capturer la relation entre une action tentée et la correction qui suit. Un robot effectue une tentative incorrecte. Un humain prend le relais. Le mouvement amélioré est démontré. Cette correction devient une information d'entraînement. Le modèle peut ensuite utiliser cette expérience pour améliorer ses tentatives futures. Ainsi, la boucle ressemble à ceci : Tentative → erreur → correction → signal d'entraînement → meilleure tentative. Répétez cela suffisamment de fois et le système commence à accumuler quelque chose de bien plus utile qu'une bibliothèque statique de démonstrations. Il commence à accumuler de l'expérience. Pourquoi la simulation compte Les robots physiques sont coûteux, lents à réinitialiser, et limités par le nombre d'expériences que vous pouvez réellement mener. La simulation élimine beaucoup de ces contraintes. Vous pouvez tester la même tâche à plusieurs reprises, introduire différentes conditions, collecter des interventions et améliorer la politique avant de la déployer dans le monde réel. C’est là que le passage de la simulation au réel devient crucial. L’objectif n’est pas que le robot reste performant uniquement dans une simulation. L’objectif est que les leçons apprises dans la simulation contribuent à des robots capables de mieux performer dans la réalité. Et alors qu’Axis avance vers des tâches de manipulation plus complexes, la qualité de cette boucle de rétroaction devient de plus en plus importante. Car, au final, la robotique ne sera pas résolue en collectant le plus grand jeu de données. Elle sera résolue en construisant des systèmes capables de transformer l'expérience en comportements améliorés. C’est cette partie d’Axis que je surveille attentivement. Plus de données est utile. Mais un meilleur apprentissage à chaque tentative est le véritable avantage. @iamlogtun