Des robots qui savent être doux : MoMo d'Apple apprend aux machines à adapter leur propre style de mouvement

Points clés

• Apple ML Research a publié MoMo, un cadre d'apprentissage en deux étapes qui enseigne aux robots à varier leur style de mouvement selon les tâches.
• Le système a été testé sur six tâches de manipulation robotique réelles et a produit des changements réguliers et contrôlables dans la façon dont chaque mouvement s'est déroulé.
• Une seule entrée de type curseur appelée « condition de mode de mouvement » permet aux opérateurs de modifier le comportement du robot sans réécrire aucun code.
• MoMo utilise l'apprentissage par imitation, une méthode d'entraînement où le robot étudie des exemples d'humains effectuant une tâche, puis reproduit le modèle sous-jacent.

La plupart des robots se déplacent de la même manière à chaque fois. Demandez-en un de ramasser un œuf cru et une brique, et il les saisira tous les deux avec une force identique, à la même vitesse, en suivant le même arc. Cela fonctionne dans une usine où chaque objet est identique. Cela s'effondre partout ailleurs.

Apple ML Research a publié cette semaine un système appelé MoMo qui essaie de résoudre ce problème. L'idée est simple en principe : apprendre à un robot non seulement quoi faire, mais comment cela devrait se sentir en le faisant, et faire de ce « comment » quelque chose que vous pouvez ajuster à la volée.

Comment MoMo fonctionne-t-il réellement ?

MoMo a deux parties qui fonctionnent ensemble. Premièrement, un tokeniseur, qui est un logiciel qui divise un flux de données de mouvement en petits segments étiquetés, comme la correction automatique divise la parole en mots. Le tokeniseur de MoMo fonctionne à la fois dans l'espace (où le bras se déplace) et dans le temps (à quelle vitesse il se déplace), il capture donc toute la texture d'un mouvement, et pas seulement son point d'arrivée.

La deuxième partie est un transformer, la même classe de logiciel qui alimente les chatbots modernes. Ce transformer prend deux entrées : la tâche elle-même, et un nombre continu sur une échelle que les chercheurs appellent la condition de mode de mouvement. Pensez-y comme un curseur unique. Poussez-le d'un côté et le robot se déplace délibérément et doucement. Poussez-le de l'autre et le robot se déplace rapidement et avec assurance. Chaque position entre les deux produit un style physique correspondant différent.

C'est crucial, le robot apprend ce comportement de curseur à partir de l'apprentissage par imitation, en regardant des humains accomplir des tâches et en absorbant le modèle de variation, pas seulement le résultat moyen. Cela signifie que le même modèle entraîné peut couvrir tout un spectre de mouvement sans que quiconque n'écrive de nouvelles instructions pour chaque point de ce spectre.

Pourquoi est-ce important en dehors d'un laboratoire ?

Dans le monde réel, le contexte change constamment. Un robot manipulant des médicaments dans une pharmacie hospitalière a besoin d'une touche différente du même robot réorganisant les étagères. Une machine assemblant un écran de téléphone a besoin de précision lente ; déplacer des bacs vides dans un entrepôt peut être rapide. Aujourd'hui, passer d'un mode à l'autre signifie généralement que des ingénieurs humains interviennent pour ajuster les paramètres. L'approche de MoMo permettrait au robot de recevoir un simple signal et de s'adapter lui-même.

Apple ML Research a testé le cadre sur six tâches de manipulation robotique réelles, le travail pratique de prélever, placer et déplacer des objets, et a rapporté que la variation de la condition de mode de mouvement a produit des changements réguliers et prévisibles dans le comportement dans tous les cas.

La recherche en est encore au stade académique. Aucune annonce de produit n'a accompagné le document, et l'écart entre une démo en laboratoire et un robot auquel vous faites confiance dans un hôpital ou une maison est considérable. Mais la question sous-jacente à laquelle MoMo répond est celle avec laquelle l'ensemble de l'industrie se bat : un robot peut-il apprendre un sens réutilisable de comment se déplacer, partagé dans chaque tâche qu'il connaît ?

Ce travail suggère que la réponse est oui.

Questions courantes

Cela signifie-t-il que les robots s'adapteront bientôt à n'importe quelle situation d'eux-mêmes ?

Pas encore. MoMo montre que le style de mouvement peut être appris et contrôlé avec une seule entrée, mais le système a toujours besoin de données d'entraînement collectées par des humains pour chaque tâche et d'un opérateur pour définir la valeur de la condition de mode de mouvement. L'autonomie complète dans les situations ouvertes reste un problème non résolu.

Cette technologie pourrait-elle apparaître dans des robots grand public ou médicaux ?

Peut-être, avec le temps. Le cadre est suffisamment général pour s'appliquer à n'importe quel bras robotique effectuant un travail de manipulation, mais passer d'un document de recherche à un appareil médical ou grand public certifié prend des années de tests de sécurité et d'approbation réglementaire.