Quand les prédictions d’un robot aident à choisir le prochain geste

Un robot peut voir où se trouve un objet sans voir dans quelle direction il se déplace. Il peut aussi se retrouver dans un espace de travail modifié ou prévoir une issue favorable pour une action qui échoue en réalité. Dans chaque cas, la prédiction peut sembler plausible sans être utile pour le prochain geste.

Ces trois études suggèrent d’adapter les éléments utilisés pour l’apprentissage à la faiblesse observée : exploiter les observations récentes pour anticiper le mouvement, les transitions observées en déploiement pour actualiser les conséquences prédites, et des actions de rechange exécutées pour distinguer les résultats.

Leurs conclusions proviennent de tests différents ; chacune reste donc liée au contexte de son étude.

Imaginez un robot qui tend le bras vers un objet glissant sur une table. Une image indique où se trouve l’objet, mais les images précédentes révèlent sa direction et montrent comment le bras avance.

Long-WAM, un système qui prédit les images à venir pour aider à choisir les actions du robot, part de ce problème. Ses auteurs se demandent si donner au système de commande davantage d’images passées l’aide réellement à agir, puisque les traiter prend aussi du temps.

Ce qui compte, c’est l’évolution entre les observations, et pas simplement un plus grand nombre d’images.

Imaginez maintenant un robot qui a appris à placer un objet dans un bol, puis se retrouve face à une table ou à un objet qui a changé. Juno, un système qui produit des actions à partir d’images et d’instructions en langage courant, étudie comment la prédiction peut aider le robot à manipuler des objets dans ces situations.

Sa méthode de déploiement traite une tentative échouée comme une trace de ce que le robot a fait et de ce qui s’est passé ensuite. Cette trace peut aider à mettre à jour sa représentation de l’espace de travail, même si l’action ratée constitue un mauvais exemple à imiter.

Un troisième problème survient avant même que le robot agisse : un modèle peut prévoir une réussite aussi bien pour une action appropriée que pour une action modifiée qui échoue. CureWM étudie cette difficulté, qui consiste à ne pas être assez sensible aux échecs, dans des modèles qui prédisent les conséquences des actions.

Ses auteurs partent d’une même situation, proposent plusieurs séquences d’actions et vérifient leurs résultats en les exécutant. Ces exemples posent ensemble une question : que doit apprendre un modèle prédictif pour que ses prévisions aident un robot à choisir ses actions lorsque l’historique, l’environnement ou les résultats possibles changent ?