Et si un robot pouvait organiser votre placard ou hacher vos légumes? Un sous-chef dans chaque maison pourrait un jour être une réalité.
Pourtant, si les progrès de l’intelligence artificielle et de l’apprentissage automatique ont rendu doable une meilleure robotique, il existe encore un écart assez crucial entre ce que les humains et les robots peuvent faire. Pour combler cet écart, il faudra surmonter un particular nombre d’obstacles dans la manipulation des robots, ou la capacité des robots à manipuler des environnements et à s’adapter à des stimuli changeants.
doctorat la applicant Jinda Cui et Jeff Trinkle, professeur et directeur du département d’informatique et d’ingénierie de l’Université de Lehigh, s’intéressent à ces défis. Ils travaillent dans un domaine appelé manipulation de robotic appris, dans lequel les robots sont «entraînés» grâce à l’apprentissage automatique pour manipuler des objets et des environnements comme le font les humains.
«J’ai toujours pensé que pour que les robots soient vraiment utiles, ils doivent ramasser des choses, ils doivent être capables de les manipuler, de les assembler et de les réparer, pour vous aider à quitter le sol et tout ça», dit Trinkle qui a mené des décennies de recherche sur la manipulation de robots et est bien connu pour ses travaux de pionnier dans la simulation de systèmes multicorps sous contraintes de make contact with. “Il faut tant de domaines procedures ensemble pour examiner un problème comme celui-là.”
«Dans la manipulation de robots, l’apprentissage est une option prometteuse aux méthodes d’ingénierie traditionnelles et a connu un grand succès, en particulier dans les tâches de pick-and-place», explique Cui, dont le travail s’est concentré sur l’intersection de la manipulation de robots et de l’apprentissage automatique. “Bien que de nombreuses questions de recherche doivent encore trouver une réponse, la manipulation de robots appris pourrait potentiellement amener des manipulateurs de robots dans nos maisons et nos entreprises. Peut-être verrons-nous des robots nettoyer nos tables ou organiser des placards dans un proche avenir.”
Dans un write-up de synthèse de Science Robotics intitulé «Vers la manipulation de robots appris de nouvelle génération», Cui et Trinkle résument, comparent et contrastent les recherches sur la manipulation de robots apprises à travers le prisme de l’adaptabilité et décrivent des directions de recherche prometteuses pour l’avenir.
Cui et Trinkle soulignent l’utilité de la modularité dans la conception de l’apprentissage et soulignent le besoin de représentations appropriées pour les tâches de manipulation. Ils notent également que la modularité permet la personnalisation.
Cui dit que les ingénieurs traditionnels peuvent douter de la fiabilité des compétences acquises pour la manipulation de robots, car ce sont généralement des methods de sort ” boîte noire “, ce qui signifie que les chercheurs peuvent ne pas savoir quand et pourquoi une compétence acquise échoue.
«Comme le souligne notre report, une modularisation appropriée des compétences de manipulation acquises peut ouvrir des« boîtes noires »et les rendre in addition explicables», déclare Cui.
Les neuf domaines que Cui et Trinkle proposent comme particulièrement prometteurs pour faire progresser la capacité et l’adaptabilité de la manipulation de robot appris sont: 1) L’apprentissage de la représentation avec as well as de modalités de détection telles que les signaux tactiles, auditifs et de température. 2) Des simulateurs avancés pour la manipulation afin qu’ils puissent être aussi rapides et réalistes que doable. 3) Personnalisation des tâches / compétences. 4) Représentations de tâches “portables”. 5) Exploration éclairée pour la manipulation dans laquelle les méthodes d’apprentissage actif peuvent trouver de nouvelles compétences efficacement en exploitant les informations de get hold of. 6) Une exploration proceed, ou un moyen pour une compétence acquise de s’améliorer continuellement après le déploiement du robot. 7) Apprentissage actif massivement distribué / parallèle. 8) Innovations matérielles qui simplifient les manipulations as well as difficiles telles que la manipulation adroite en major. 9) Performances en temps réel puisque, éventuellement, les compétences de manipulation acquises seront testées dans le monde réel.
Suivant certaines de ces instructions, Cui et Trinkle travaillent actuellement sur des compétences sensori-motrices tactiles pour rendre les manipulateurs de robots plus adroits et robustes.
Pour Cui, parmi les découvertes les furthermore passionnantes qu’il a faites en explorant la recherche actuelle, c’est que la manipulation de robotic appris en est encore à ses balbutiements.
«Cela laisse de nombreuses opportunités à la communauté de recherche d’explorer et de prospérer», déclare Cui. “L’avenir prometteur et le vaste espace d’exploration feront de la manipulation des robots savants un domaine de recherche passionnant pour les décennies à venir.”