Une stratégie gagnante accélère les recherches robotiques –

  • FrançaisFrançais



  • Un robot voyageant du point A au point B est plus efficace s’il comprend que le point A est le canapé du salon et le point B est un réfrigérateur, même s’il se trouve dans un endroit inconnu. C’est l’idée de bon sens derrière un système de navigation «sémantique» développé par l’Université Carnegie Mellon et Facebook AI Research (FAIR).

    Ce système de navigation, appelé SemExp, a remporté le mois dernier le défi Habitat ObjectNav lors de la conférence virtuelle sur la vision par ordinateur et la reconnaissance de formes, devançant une équipe de Samsung Research China. C’était la deuxième première place consécutive pour l’équipe CMU dans le défi annuel.

    SemExp, ou exploration sémantique axée sur les objectifs, utilise l’apprentissage automatique pour entraîner un robot à reconnaître des objets – en connaissant la différence entre une table de cuisine et une table d’appoint, par exemple – et pour comprendre où dans une maison de tels objets sont susceptibles d’être a trouvé. Cela permet au système de réfléchir stratégiquement à la façon de rechercher quelque chose, a déclaré Devendra S. Chaplot, Ph.D. étudiant au département Machine Learning de la CMU.

    “Le bon sens dit que si vous cherchez un réfrigérateur, vous feriez mieux d’aller dans la cuisine”, a déclaré Chaplot. Les systèmes de navigation robotiques classiques, en revanche, explorent un espace en construisant une carte montrant les obstacles. Le robot arrive finalement là où il doit aller, mais l’itinéraire peut être détourné.

    Les tentatives précédentes d’utiliser l’apprentissage automatique pour former les systèmes de navigation sémantique ont été entravées car ils ont tendance à mémoriser des objets et leurs emplacements dans des environnements spécifiques. Non seulement ces environnements sont complexes, mais le système a souvent du mal à généraliser ce qu’il a appris à différents environnements.

    Chaplot – en collaboration avec Dhiraj Gandhi de FAIR, avec Abhinav Gupta, professeur associé à l’Institut de robotique, et Ruslan Salakhutdinov, professeur au département d’apprentissage automatique – a contourné ce problème en faisant de SemExp un système modulaire.

    Le système utilise ses connaissances sémantiques pour déterminer les meilleurs endroits pour rechercher un objet spécifique, a déclaré Chaplot. “Une fois que vous avez décidé où aller, vous pouvez simplement utiliser la planification classique pour vous y rendre.”

    Cette approche modulaire s’avère efficace de plusieurs manières. Le processus d’apprentissage peut se concentrer sur les relations entre les objets et la disposition des salles, plutôt que sur l’apprentissage de la planification d’itinéraire. Le raisonnement sémantique détermine la stratégie de recherche la plus efficace. Enfin, la planification de navigation classique amène le robot là où il doit aller le plus rapidement possible.

    En fin de compte, la navigation sémantique permettra aux utilisateurs d’interagir plus facilement avec les robots, leur permettant simplement de dire au robot d’aller chercher un objet à un endroit particulier, ou de lui donner des instructions telles que «aller à la deuxième porte à gauche».

    Vidéo: https://www.youtube.com/watch?v=FhIut4bqFyw&feature=emb_logo

    Source de l’histoire:

    Matériaux fourni par L’université de Carnegie Mellon. Original écrit par Byron Spice. Remarque: le contenu peut être modifié pour le style et la longueur.

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse de messagerie ne sera pas publiée.