Je croyais auparavant qu’une fois qu’un robot apprenait à saisir un objet, il suffisait de lui faire reproduire le même geste sur une autre machine. Après avoir vu les expériences d’Axis et de Booster, je me suis rendu compte que j’avais simplifié à l’excès. Franka sait saisir la boîte d’écouteurs ; mais une fois remplacée par Booster, les mouvements précédents risquent de devenir totalement inutilisables. Les longueurs des bras, le nombre d’articulations, les angles des caméras et les pinces des deux machines sont différents. Booster possède même une structure à deux bras, chacun avec sept degrés de liberté. Le modèle doit non seulement s’adapter aux nouvelles images qu’il voit, mais aussi apprendre à contrôler ce nouveau corps. Avant, pour gérer ce genre de situation, les ingénieurs devaient rester à côté des robots physiques et recueillir des données par télécommande, encore et encore. Le nombre de machines étant limité, chaque changement de scénario ou d’objet exigeait de collecter de nouvelles données. @axisrobotics a cette fois-ci reconstitué le poste de travail réel de Booster dans un environnement de simulation, puis a placé la tâche dans un navigateur pour permettre à des utilisateurs du monde entier de l’effectuer. Les positions des objets, l’éclairage, les angles de vue et les arrière-plans varient constamment. Au final, 42 046 trajectoires simulées ont été sélectionnées pour entraîner Booster à développer une stratégie fondamentale plus adaptée à sa propre structure. Les données du test avec la boîte d’écouteurs sont très claires. Avec seulement 10 démonstrations réelles, le robot a effectué 20 essais consécutifs sans jamais toucher la cible. Après avoir ajouté 50 trajectoires simulées correspondantes, il a touché la boîte d’écouteurs lors de 17 essais sur 20, réussi à la saisir à 6 reprises, dont 2 fois avec élévation réussie. Dans un autre ensemble d’essais, la stratégie de Booster pré-entraînée avec ces données, utilisant seulement 30 démonstrations réelles par tâche, a surpassé les performances du modèle original π₀.₅ qui utilisait 60 démonstrations réelles. Ces expériences ne couvrent que quelques tâches du test officiel et ne permettent pas encore de conclure que cette amélioration sera reproductible sur d’autres machines ou dans des scénarios complexes. Mais elles m’ont permis de comprendre l’utilité des données collectées par Axis : d’abord s’entraîner en simulation à localiser les cibles, ajuster les angles et approcher les objets ; puis, sur le robot physique, compléter avec un petit nombre d’opérations réelles pour maîtriser le contact et la prise. Bien sûr, les trajectoires que nous avons réalisées dans le salon des tâches ne sont pas directement intégrées à l’ensemble d’entraînement de Booster. Les données doivent être rejetées, filtrées, reformatées et validées pour s’adapter à chaque machine spécifique. Avant, après avoir terminé une tâche, je regardais principalement mon score et mes points. Maintenant, je prête davantage attention à la fluidité de mes mouvements : mes gestes sont-ils trop saccadés ? La trajectoire de prise est-elle propre ? Après avoir changé de corps, la capacité du robot à réduire de moitié la quantité de données réelles nécessaires dépend effectivement de la qualité de ces trajectoires. Pour expérimenter, commencez par les tâches Beginner. Une fois la tâche validée, n’oubliez pas d’aller dans Portfolio pour signer votre Base : https://t.co/Bo1luv9UkN