Pourquoi n’y a-t-il pas plus de robots dans les maisons ? C’est une question complexe et surprenante – et nos maisons sont des endroits étonnamment complexes. Une grande partie de la raison pour laquelle les systèmes autonomes prospèrent dans les entrepôts et les usines est d’abord la facilité relative de naviguer dans un environnement structuré. Bien sûr, la plupart des systèmes nécessitent toujours qu’un espace soit cartographié avant de se mettre au travail, mais une fois que cela est en place, il y a généralement peu de variation.
Les maisons, en revanche, sont une sorte de cauchemar. Non seulement ils varient considérablement d’une unité à l’autre, mais ils sont pleins d’obstacles hostiles et ont tendance à être assez dynamiques, car les meubles sont déplacés ou des objets sont laissés sur le sol. Les aspirateurs sont les robots les plus répandus dans la maison, et ils sont encore en train d’être raffinés après des décennies sur le marché.
Cette semaine, des chercheurs du MIT CSAIL présentent PIGINet (Plans, Images, Goal, and Initial Facts), qui est conçu pour apporter la planification des tâches et des mouvements aux systèmes robotiques domestiques. Le réseau de neurones est conçu pour aider à rationaliser leur capacité à créer des plans d’action dans différents environnements.
Le MIT explique PIGINet ainsi :
[I]Il utilise un encodeur à transformateur, un modèle polyvalent et à la pointe de la technologie conçu pour fonctionner sur des séquences de données. La séquence d’entrée, dans ce cas, est constituée d’informations sur le plan de tâche envisagé, d’images de l’environnement et d’encodages symboliques de l’état initial et de l’objectif souhaité. L’encodeur combine les plans de tâches, l’image et le texte pour générer une prédiction concernant la faisabilité du plan de tâches sélectionné.
Le système est actuellement largement axé sur les activités en cuisine. Il s’appuie sur des environnements domestiques simulés pour créer des plans qui nécessitent des interactions avec différents éléments de l’environnement, tels que les comptoirs, les armoires, le réfrigérateur, les éviers, etc. Les chercheurs affirment que dans des scénarios plus simples, PIGINet a pu réduire le temps de planification de 80 %. . Pour les situations plus complexes, ce nombre était généralement d’environ 20 à 50 %.
L’équipe suggère que les maisons ne sont qu’un début.
« Les applications pratiques de PIGINet ne se limitent pas aux ménages », explique le doctorant Zhutian Yang. « Notre objectif futur est d’affiner PIGINet pour suggérer des plans de tâches alternatifs après avoir identifié des actions irréalisables, ce qui accélérera encore la génération de plans de tâches réalisables sans avoir besoin de grands ensembles de données pour former un planificateur à usage général à partir de zéro. Nous pensons que cela pourrait révolutionner la façon dont les robots sont entraînés pendant le développement, puis appliqués dans les foyers de chacun. »