Une nouvelle méthode basée sur l’IA, co-développée par le Dr Alireza Rastegarpanah de l’Université Aston, pourrait révolutionner la manière dont les systèmes robotiques avancés sont formés pour des tâches réelles, les rendant plus pratiques et fiables.
Le Dr Rastegarpanah, professeur assistant en IA et robotique appliquées à Aston, a co-dirigé les recherches avec Jamie Hathaway du laboratoire de robotique extrême de l’Université de Birmingham pour surmonter le « fossé simulation-réalité ». Il s’agit d’un défi de longue date en robotique, qui renvoie à la différence entre le comportement des robots en simulation et dans le monde réel, où il existe des variabilités, par exemple dans les matériaux, les forces ou le bruit des capteurs. Cela entraîne un manque de fiabilité.
Les robots sont formés à des tâches spécifiques, comme la coupe, à l’aide de simulations. Cependant, la collecte de données réelles est coûteuse, lente et parfois dangereuse, en particulier pour les tâches impliquant une interaction physique. L’objectif de la recherche, publiée dans Scientific Reports, était de développer une méthode combinant l’efficacité de la simulation avec le réalisme des environnements physiques, permettant aux robots de s’adapter sans nécessiter de grandes quantités de données supplémentaires.
En utilisant l’IA pour générer des variations de conditions, la nouvelle technique de formation permet aux robots de transférer les compétences acquises en simulation dans le monde réel de manière beaucoup plus fiable, en utilisant seulement une petite quantité de données réelles. Un robot peut apprendre une tâche complexe dans un environnement virtuel, comme couper ou manipuler des matériaux, puis adapter ces connaissances pour travailler efficacement dans des conditions réelles, même lorsque ces conditions sont incertaines ou jamais vues auparavant.
Le Dr Rastegarpanah affirme que cette méthode démontre qu’il est possible d’obtenir un comportement robotique stable, efficace et adaptatif sans nécessiter une formation poussée dans le monde réel. Elle pourrait réduire considérablement le temps, le coût et les risques de développement. L’impact est particulièrement fort dans les domaines où les robots doivent fonctionner dans l’incertitude. Cela inclut les systèmes de recyclage et d’économie circulaire, comme le démontage de batteries, la fabrication avancée et flexible, ainsi que les environnements dangereux tels que le démantèlement nucléaire.
La recherche a été soutenue par le projet REBELION, financé par UK Research and Innovation (UKRI) dans le cadre d’un projet de recherche collaborative européen sur le recyclage automatisé et sûr des batteries au lithium.
Le Dr Rastegarpanah a déclaré : « Ce travail montre que nous pouvons aller au-delà de la formation purement basée sur la simulation et obtenir des performances fiables dans des conditions réelles avec un minimum de données supplémentaires. Notre vision à long terme est de permettre des systèmes robotiques intelligents « plug-and-play » pouvant être formés en simulation et rapidement déployés dans de nouveaux environnements avec une reconfiguration minimale. Cela pourrait accélérer considérablement l’innovation dans des domaines tels que la fabrication durable, le recyclage et les systèmes industriels autonomes. »
Article : End-to-end example-based sim-to-real RL policy transfer based on neural stylisation with application to robotic cutting – Journal : Scientific Reports – Méthode : Experimental study – DOI : Lien vers l’étude
Source : Aston U.
