gprisma Un robot peut accomplir tout ce qu'on lui demande et nous laisser quand même avec une question importante sur ce qui suit. Cela是因为 le travail physique est connecté. Un robot termine une action, une autre action suit. Un autre robot peut avoir besoin du même espace. Une personne peut devoir atteindre cette zone. Le prochain objet peut déjà être en attente. Ainsi, le robot n’est pas seulement responsable de terminer sa propre tâche. La manière dont il termine peut aussi affecter la tâche qui suit. C’est ce détail que j’ai trouvé intéressant dans cet épisode (Épisode #50981). Les bras finissent par s’éloigner de la zone où ils ont travaillé, et cette simple fin ouvre une idée bien plus vaste sur la manière dont nous devrions évaluer l’IA physique. [] Une tâche accomplie peut encore créer un problème Imaginez un robot qui place un échantillon exactement à l’endroit où il doit être, mais laisse son bras posé sur la zone qui doit être utilisée ensuite. La première tâche a réussi. La deuxième tâche rencontre maintenant un problème. C’est une différence importante entre les robots qui effectuent des démonstrations isolées et les robots qui travaillent en continu dans des environnements réels. Dans un laboratoire, une usine, un hôpital ou tout autre espace partagé, il y a rarement une réinitialisation nette après chaque tâche. Le robot termine une chose dans le même environnement où quelque chose d’autre doit se produire. Cela signifie que le succès ne peut pas se limiter à la position finale de l’objet. Nous devons aussi nous préoccuper de l’état dans lequel le robot laisse l’environnement. [] Le dernier mouvement peut affecter les dix suivants Cela devient encore plus important lorsque les tâches sont connectées. Une action peut préparer quelque chose pour une autre action. Un robot peut devoir terminer avant qu’un autre puisse entrer en toute sécurité dans la même zone. Une personne peut avoir besoin d’accéder immédiatement après la fin de la machine. Si le premier robot quitte l’espace de manière maladroite, l’étape suivante peut nécessiter des mouvements supplémentaires, du temps supplémentaire, voire une intervention humaine. Cette petite inefficacité peut se répéter tout au long d’un processus long. Quelques secondes inutiles à la fin d’une tâche ne comptent pas beaucoup une fois. Mais sur des centaines ou des milliers de tâches, elles peuvent devenir un véritable problème opérationnel. [] Un espace partagé change ce que signifie un bon comportement C’est l’une des grandes différences entre le logiciel et l’IA physique. Un processus logiciel peut se terminer et disparaître de la scène. Un robot physique occupe encore de l’espace. Son bras a une position. Son corps a une position. Les objets autour de lui ont aussi des positions. Ainsi, l’IA physique doit apprendre non seulement comment atteindre un objectif, mais aussi comment opérer autour de tout ce qui partage l’environnement. C’est pourquoi la position finale d’un robot peut transporter des informations utiles. Elle nous indique si le robot comprend que sa propre présence fait partie de l’environnement de travail. [] La tâche suivante ne devrait pas avoir à nettoyer la précédente Il y a un autre point pratique ici. Si chaque nouvelle tâche exige qu’une personne ou un autre robot déplace d’abord le robot précédent, alors une partie du travail a simplement été déplacée ailleurs. Le robot original peut toujours recevoir une mention pour avoir accompli son instruction. Mais le système plus large effectue un travail supplémentaire à cause de la manière dont cette tâche s’est terminée. Pour l’IA physique future, cette distinction compte. Nous voulons des robots capables de contribuer à un flux de travail continu, et non des robots qui accomplissent des actions isolées tout en laissant quelqu’un d’autre rendre à nouveau l’environnement utilisable. [] C’est pourquoi la fin mérite aussi d’être validée La validation nous donne l’occasion de regarder au-delà du moment de succès évident. La preuve utile n’est pas seulement de savoir si le robot a manipulé le bon objet ou atteint le bon endroit. C’est aussi ce qui s’est produit autour de cette action et ce que le robot a laissé derrière lui à la fin. Ces informations deviennent précieuses lors de l’entraînement des robots pour des environnements où les tâches sont connectées, les espaces partagés, et où les erreurs ou une mauvaise position peuvent affecter ce qui suit. 👇👇