logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
21 novembre 2017
A la Une, Data science & robots, Dossiers thématiques, News

Mimer l’apprentissage de l’enfant

⏱ 3 min

Plutôt que s’escrimer à créer des robots directement dotés des capacités souhaitées, mieux vaudrait les laisser apprendre d’eux-mêmes comme le font les petits humains. C’est en tout cas le crédo des chercheurs en « robotique développementale »…

En 1950, Alan Turing, l’un des pères fondateurs de l’informatique, écrivait déjà que pour rendre les machines intelligentes, il faudrait d’abord copier l’intelligence des enfants. Autrement dit, plutôt que d’essayer de créer directement un robot doté d’une « intelligence adulte » avec langage, raisonnement et connaissances… il serait peut-être plus efficace de le doter de mécanismes d’apprentissage similaires à ceux des enfants. Comment ? En le dotant d’un « cerveau » qui va lui-même apprendre et développer ses capacités cognitives et sensorimotrices au contact de son environnement, tout comme le fait un bébé qui joue. Un raisonnement qui semble logique, l’humain ne naissant pas avec une science infuse codée par ses gènes ! « L’idée est notamment que le robot fasse lui-même le lien entre ses actions et ses perceptions tirées de l’exploration de son environnement : par exemple qu’il fasse la connexion entre tel mouvement de son bras et l’impact que cela a sur son le reste de son corps et sur ce qui l’entoure « , explique Rodolphe Gelin, directeur scientifique chez SoftBank Robotics qui développe les célèbres robots humanoïdes NAO, Pepper et Romeo.

Pour y parvenir, il faut inculquer au robot des algorithmes modélisant les mécanismes de l’apprentissage de l’enfant. « L’objectif est de lui permettre d’apprendre continuellement une diversité de nouvelles tâches sur des semaines ou des mois, de manière autonome sans l’intervention d’aucun ingénieur », résume Pierre-Yves Oudeyer, directeur de recherche à l’Inria. Ces algorithmes peuvent reposer sur du deep learning, du metalearning, de l’apprentissage par imitation de l’homme ou bien encore des algorithmes d’apprentissage par renforcement intrinsèquement motivé inspirés de mécanismes mis en œuvre dans la curiosité de l’enfant. Pierre-Yves Oudeyer et son équipe ont par exemple inculqué des algorithmes de ce type à leur robot Poppy Torso qui ne connaissait absolument rien de son « corps » au départ. Grâce à eux, il se fixe lui-même des buts lui permettant de gagner toujours davantage d’informations sur son environnement. En seulement quelques heures, il a par exemple appris tout seul à utiliser ses mains pour manipuler des joysticks, puis à actionner ces joysticks pour faire bouger une grue. Et avec cette dernière, Poppy Torso est parvenu tout seul à déplacer une balle dans toutes les directions possibles !

Tout apprendre tout seul

« Nous possédons un laboratoire entièrement dédié à la robotique développementale qui emploie trois chercheurs permanents et quatre thésards », indique pour sa part Rodolphe Gelin. Ici, les robots apprennent par exemple à se relever tous seuls. Les chercheurs les font bouger de façon aléatoire…et au bout d’un moment, ils doivent « comprendre » eux-mêmes qu’en déplaçant leur bras de telle manière, ils peuvent se tourner sur le côté pour se relever.

Grâce à la robotique développementale, les chercheurs de SoftBank souhaiteraient aussi qu’un robot apprenne seul  à marcher de manière très fluide. Certes, la marche des robots humanoïdes s’est grandement améliorée comme le montre cette récente vidéo de Boston Dynamics.  Mais elle reste encore un peu saccadée. Aujourd’hui, l’apprentissage de la marche repose encore essentiellement sur des algorithmes classiques déjà vieux de 20-30 ans, tels les Zero Moment Point (ZMP) développés par le chercheur japonais Shuuji Kajita. Basés sur un modèle dynamique du robot, ces ZMP lui indiquent en permanence la commande à effectuer pour déplacer son centre de gravité afin qu’il ne perde jamais l’équilibre.

Les ingénieurs de SoftBank Robotics comptent aussi sur la robotique développementale pour que leurs robots adaptent leur marche au fil du temps, en fonction du vieillissement de leurs moteurs et autres engrenages ! Au final, l’objectif est donc bien que le robot puisse apprendre seul tout ce qu’on veut : se relever, marcher, attraper n’importe quel objet, sauter, communiquer, etc. « Ces recherches s’avéreront précieuses pour les robots d’assistance à domicile à qui les divers membres du foyer demanderont souvent d’accomplir de nouvelles tâches, le tout dans des pièces où les objets et autres meubles peuvent changer de place « , conclut Pierre-Yves Oudeyer enthousiaste.

Jean-Philippe BRALY

 

 

Termes liés :
  • Algorithme
  • Apprentissage par imitation
Retrouver les autres articles du dossier “Data science & robots” :
  • La data science au service des robots : s'intégrer à l'environnement
  • La data science au service des robots : interagir avec l'homme
  • Un traitement de données embarqué
Share:
Posts you'd might like
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
Stéphane Canu :
au service de l’IA et de la mobilité de demain
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique
  • La recherche à l’assaut des deepfakes vocaux
  • Recyclage : nos déchets sous l’œil de l’IA

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU