Des chercheurs de l'université Carnegie Mellon créent l'infrastructure manquante pour faire circuler l'IA entre les robots.
infohightech ·
Les chercheurs en robotique passent souvent des semaines, voire des mois, à rendre un nouveau robot opérationnel avant de pouvoir tester de nouveaux comportements. Des chercheurs de l' École d'informatique de l'Université Carnegie Mellon. ont développé un framework logiciel open source conçu pour éliminer une grande partie de ce travail de configuration, facilitant ainsi le déploiement de systèmes d'IA sur différents robots sans avoir à reconstruire le logiciel à partir de zéro.
Le framework s'appelle Robot I/O (RIO) offre une interface unifiée pour le contrôle des robots, la collecte de données, la téléopération et le déploiement de l'IA. En facilitant le passage des chercheurs entre les bras robotiques, les humanoïdes et d'autres plateformes, RIO répond à l'un des défis majeurs de la robotique : l'important travail d'ingénierie préalable à toute recherche.
« Le principal obstacle à la recherche sur l'apprentissage robotique n'est pas le manque d'idées, mais d'infrastructures », a déclaré Jean Oh., professeur associé de recherche à l' Institut de robotique (RI). « Les étudiants peuvent passer un semestre entier, voire toute leur première année, à configurer un robot avant même de pouvoir commencer leurs recherches. RIO offre aux chercheurs et aux ingénieurs une plateforme modulaire et légère permettant de déployer rapidement des robots sur n'importe quel support. »
L'importance accordée à l'accessibilité dans ce framework est apparue clairement lors des tests. Reya Shukla, stagiaire de premier cycle ayant une expérience en apprentissage automatique mais aucune connaissance en robotique, a été chargée de déballer un bras robotisé et de le configurer pour la téléopération à l'aide de RIO. En suivant la documentation du framework, elle est passée de l'ouverture de la boîte au contrôle du robot en deux heures environ.
Cette facilité d'installation reflète le problème que RIO a été conçu pour résoudre. Si les progrès en intelligence robotique se sont accélérés ces dernières années, l'infrastructure nécessaire à ces systèmes a pris du retard. Les équipes de recherche développent souvent des logiciels sur mesure pour chaque robot, ce qui complique le partage d'outils, de données et de modèles d'IA entre les plateformes. Une grande partie du code développé pour un robot doit être réécrite lors du passage à un autre système, ce qui rend difficile la reproduction des résultats ou le partage des avancées entre les laboratoires.
RIO repose sur des composants logiciels modulaires réutilisables pour différents robots et projets de recherche. Au lieu de reconstruire l'infrastructure à chaque changement de matériel, les chercheurs peuvent combiner des composants existants et personnaliser le système selon leurs besoins. Cette approche vise à rendre le développement robotique plus accessible tout en améliorant la cohérence et la reproductibilité des expériences.
Selon Pablo Ortega-Kral, doctorant à RI, RIO arrive à un moment charnière, alors que de nouvelles approches d'IA transforment le contrôle des robots. Les logiciels robotiques existants ont été conçus pour la plupart avant la généralisation de ces systèmes d'intelligence plus généralistes, d'où la nécessité d'une infrastructure capable de les prendre en charge.
« Aujourd’hui, tout le monde parle du besoin de plus de données », a déclaré Eliot Xing.« Mais les données robotiques ne sortent pas de nulle part. Il faut des robots pour les collecter, et cela nécessite une infrastructure robotique. Nous manquons de certains éléments de base communs présents dans d'autres domaines de l'IA, ceux qui permettent aux chercheurs de s'appuyer sur les travaux des uns et des autres au lieu de repartir de zéro à chaque fois », explique un autre doctorant du RI, membre de l'équipe RIO.
Vernon Luk, un étudiant admis au programme Master of Science in Robotics (MSR) et Megan Lee, une récente diplômée du programme Master of Science en développement de systèmes robotiques (MRSD) ont constaté que RIO simplifiait également le travail avec plusieurs robots tout en développant des politiques pour les plateformes humanoïdes et bimanuelles.
« Comme les modules sont conçus pour être interchangeables, vous pouvez utiliser le même processus pour tous les robots avec lesquels vous travaillez », a expliqué Luk. « Vous n’avez pas besoin d’écrire de code spécifique pour collecter des données ou entraîner des stratégies pour différentes plateformes, même si celles-ci sont équipées de caméras ou de bras robotisés supplémentaires. »
En fournissant une base commune pour le contrôle des robots, la collecte de données et le déploiement de l'IA, ce cadre pourrait contribuer à accélérer la recherche dans l'ensemble du domaine tout en rendant la robotique plus accessible aux nouveaux venus.
« Dans le domaine de la robotique industrielle, ce type d'infrastructure est crucial, car les déploiements réels impliquent rarement un seul robot, un seul système de capteurs ou un seul environnement fixe », a déclaré Jonathan Francis., chercheur principal au Centre Bosch pour l'intelligence artificielle et des professeurs associés au RI. « RIO contribue à rendre les systèmes d’apprentissage robotique plus réutilisables sur différentes plateformes, ce qui peut raccourcir le délai entre un prototype de recherche et un système pouvant être testé et adapté dans le monde réel. »
Bien que RIO soit toujours un projet de recherche actif, certains membres de l'équipe continuent de développer cette technologie via Lavoro AI. Oh a cofondé cette startup qui vise à simplifier le déploiement des robots et à accélérer leur apprentissage. Ses travaux futurs porteront sur l'extension de la compatibilité matérielle et la réduction des obstacles à la mise en service de nouveaux robots, avec pour objectif à long terme de développer des modèles de robotique permettant aux robots de s'adapter rapidement et de manière autonome à de nouvelles tâches et environnements, et ce, sur différentes plateformes.