La data science au service des robots : interagir avec l’homme
À l’avenir, de plus en plus de robots devront interagir avec des hommes. Différentes méthodes d’apprentissage sont développées pour leur permettre de comprendre divers comportements humains et de s’y adapter…
De plus en plus, les robots devront interagir avec des humains. C’est par exemple tout l’enjeu des « cobots » conçus pour collaborer avec des opérateurs dans le secteur industriel. Dans les configurations les plus simples, le cobot arrive à détecter la présence d’un humain qui pénètre dans son périmètre de travail… : une intrusion qui stoppe net son fonctionnement pour éviter tout risque de blessure. Mais l’idée est bien de mettre au point des cobots travaillant réellement en synergie avec les humains. Pour cela, ils devront reconnaitre différents comportements propres à l’activité humaine, mais également savoir réagir de manière appropriée lors d’interactions physiques avec un homme. « Par exemple, si un technicien le pousse dans une direction, il doit comprendre qu’il doit aller dans cette direction », illustre Philippe Bidaud, directeur scientifique du domaine Traitement de l’information et systèmes à l’Onera, ancien responsable du GDR Robotique du CNRS de 2010 à 2014. Et puis bien sûr, à l’avenir, de plus en plus de robots devraient interagir avec les hommes dans la vie de tous les jours : robots compagnons, d’assistance aux personnes âgées, pour l’accueil du public, etc.
Ils devront donc apprendre une multitude de comportements humains : gestes, expressions verbales, signaux non verbaux, etc. « Le problème, c’est que les modes d’interactions entre humains sont extrêmement compliqués voire impossibles à modéliser », indique Rodolphe Gelin, Directeur scientifique chez SoftBank Robotics qui développe les célèbres robots NAO, Pepper et Romeo. Une des voies pour y parvenir est l’apprentissage qui nécessite de stocker et de traiter un maximum de données. « Par exemple, pour détecter des émotions dans la voix ou la vidéo, les chercheurs utilisent des algorithmes d’apprentissage supervisé type SVM (Support Vector Machine), voire maintenant du deep learning si l’on possède suffisamment de données », confirme Laurence Devillers, professeur en intelligence artificielle à Paris-Sorbonne, qui travaille par exemple sur l’adaptation des robots d’assistance à des personnes âgées au Limsi-CNRS.
Différents modes d’apprentissage
Mais une fois immergé dans son milieu, comme par exemple un foyer, le robot ne sera plus face à des ingénieurs capables de superviser son apprentissage. Il devra néanmoins continuer à apprendre les comportements des membres de la famille qu’il assistera, des comportements variables d’un individu à l’autre… mais aussi chez une même personne au fil de son humeur, du temps qui passe, etc. « Face à monsieur tout le monde sans compétences informatiques particulières, le robot devra recourir à de l’apprentissage non supervisé ou à de l’apprentissage par renforcement intrinsèquement motivé« , confirme Pierre-Yves Oudeyer, qui mène des recherches sur ce thème à l’Inria. Dans ce dernier cas de figure, c’est le robot lui-même qui génère ses propres objectifs et des fonctions de récompense. »
L’assistance aux personnes âgées est un domaine d’études actif. © SoftBank Robotics
Mais pour Laurence Devillers, si le graal est en effet que le robot apprenne tout seul ou en interaction avec les humains, cet apprentissage non supervisé s’avère encore très complexe et souvent réduit à des tâches spécifiques. Un avis que semble partager Rodolphe Gelin : « pour l’instant, l’apprentissage des robots reste encore très supervisé, y compris dans les cas les plus subtils mêlant communication verbale et non verbale comme détecter qu’on leur parle avec un air sarcastique, si l’on fait attention à eux ou si l’on est en train de se désengager de la conversation entamée avec eux, etc. »
Enfin, pour éviter de blesser les humains, on développe des matériaux mous et donc déformables en cas de collision. Mais cela génère des problèmes de contrôle car leur dynamique est difficile à modéliser ; en outre, on ne possède pas de bases de données en la matière pour l’apprentissage… « Pour apprendre aux robots à contrôler ce type de matériaux, on combine donc des méthodes d’apprentissage par renforcement intrinsèquement motivé et d’apprentissage supervisé », indique Pierre-Yves Oudeyer. Supervisé, non supervisé, par renforcement classique ou intrinsèquement motivé… Au final, c’est bien toute une panoplie d’outils de data science qui est aujourd’hui exploitée et développée pour la meilleure cohabitation possible entre l’homme et le robot.
