Google DeepMind a entraîné un robot à battre des humains au tennis de table
infohightech ·
Vous pensez avoir des chances de battre un robot au tennis de table ? Google DeepMind a appris à un robot à jouer au tennis de table à un niveau équivalent à celui d'un amateur, a annoncé l'entreprise. Elle affirme que c'est la première fois qu'un robot apprend à jouer à un sport avec des humains à un niveau humain. Les frères Lebrun n’ont qu’à bien se tenir ! 😊
Les chercheurs ont réussi à faire en sorte qu'un bras robotisé maniant une pagaie imprimée en 3D remporte 13 des 29 parties contre des adversaires humains de capacités diverses dans des parties complètes de tennis de table de compétition. La recherche a été publiée dans un article Arxiv.
Le système est loin d'être parfait. Bien que le robot de tennis de table ait pu battre tous les adversaires humains de niveau débutant qu'il a affrontés et 55 % de ceux qui jouaient au niveau amateur, il a perdu toutes les parties contre des joueurs avancés. Il s'agit néanmoins d'une avancée impressionnante.
"Il y a quelques mois, nous avions prévu que le robot ne pourrait pas gagner contre des personnes qu'il n'avait jamais affrontées auparavant. Le système a certainement dépassé nos attentes", déclare Pannag Sanketi, ingénieur logiciel senior chez Google DeepMind, qui a dirigé le projet. "La façon dont le robot a surpassé ses adversaires, même les plus forts, était époustouflante".
Et la recherche n'est pas qu'une partie de plaisir. En fait, elle représente une étape vers la création de robots capables d'effectuer des tâches utiles avec habileté et en toute sécurité dans des environnements réels tels que les maisons et les entrepôts, ce qui est un objectif de longue date de la communauté des roboticiens. L'approche de Google DeepMind en matière de formation des machines est applicable à de nombreux autres domaines, estime Lerrel Pinto, chercheur en informatique à l'université de New York, qui n'a pas travaillé sur le projet.
"Je suis un grand fan de voir des systèmes robotiques travailler réellement avec et autour de vrais humains, et c'est un exemple fantastique de cela", dit-il. "Il ne s'agit peut-être pas d'un joueur de haut niveau, mais les ingrédients de base sont là pour continuer à s'améliorer et finir par arriver au but."
Pour devenir un joueur de tennis de table compétent, les humains ont besoin d'une excellente coordination œil-main, de la capacité de se déplacer rapidement et de prendre des décisions rapides en réagissant à leur adversaire - autant de défis importants pour les robots. Les chercheurs de Google DeepMind ont utilisé une approche en deux parties pour entraîner le système à imiter ces capacités : ils ont utilisé des simulations informatiques pour entraîner le système à maîtriser ses capacités de frappe, puis l'ont affiné à l'aide de données du monde réel, ce qui lui permet de s'améliorer au fil du temps.
L'apprentissage par renforcement peut aider les robots à s'attaquer à de nouvelles tâches qu'ils n'ont jamais essayées auparavant.
Les chercheurs ont compilé un ensemble de données sur l'état des balles de tennis de table, notamment sur leur position, leur rotation et leur vitesse. Le système a puisé dans cette bibliothèque dans un environnement simulé conçu pour refléter fidèlement la physique des matchs de tennis de table afin d'apprendre des compétences telles que retourner un service, frapper un coup droit lifté ou un revers. Les limitations du robot l'empêchant de servir la balle, les jeux du monde réel ont été modifiés pour en tenir compte.
Au cours de ses matchs contre des humains, le robot recueille des données sur ses performances afin d'affiner ses compétences. Il suit la position de la balle à l'aide de données capturées par une paire de caméras et suit le style de jeu de son adversaire humain grâce à un système de capture de mouvement qui utilise des diodes électroluminescentes sur la raquette de l'adversaire. Les données relatives à la balle sont réinjectées dans la simulation pour l'entraînement, créant ainsi une boucle de rétroaction continue.
Ce retour d'information permet au robot de tester de nouvelles compétences pour essayer de battre son adversaire, ce qui signifie qu'il peut ajuster ses tactiques et son comportement comme le ferait un humain. Cela signifie qu'il s'améliore progressivement, à la fois au cours d'un match donné et au fil du temps, au fur et à mesure des parties qu'il joue.
Le système a eu du mal à frapper la balle lorsqu'elle était frappée très rapidement, au-delà de son champ de vision (plus de six pieds au-dessus de la table), ou très bas, en raison d'un protocole qui lui demande d'éviter les collisions susceptibles d'endommager sa raquette. Faire tourner les balles s'est avéré un défi car il n'avait pas la capacité de mesurer directement la rotation - une limitation dont les joueurs avancés ont rapidement tiré parti.
Former un robot à toutes les éventualités dans un environnement simulé est un véritable défi, explique Chris Walti, fondateur de la société de robotique Mytra et ancien chef de l'équipe de robotique de Tesla, qui n'a pas été impliqué dans le projet.
"Il est très, très difficile de simuler le monde réel parce qu'il y a tellement de variables, comme une rafale de vent ou même de la poussière [sur la table]", explique-t-il. "À moins d'avoir des simulations très réalistes, les performances d'un robot seront limitées.
Google DeepMind estime que ces limitations pourraient être résolues de plusieurs manières, notamment en développant des modèles d'IA prédictifs conçus pour anticiper la trajectoire de la balle et en introduisant de meilleurs algorithmes de détection des collisions.
Il est essentiel de noter que les joueurs humains ont apprécié leurs matchs contre le bras robotique. Même les compétiteurs avancés qui ont réussi à le battre ont déclaré qu'ils avaient trouvé l'expérience amusante et engageante, et qu'ils pensaient qu'il avait le potentiel d'un partenaire d'entraînement dynamique qui les aiderait à affiner leurs compétences.
"J'aimerais vraiment l'avoir comme partenaire d'entraînement, quelqu'un avec qui jouer de temps en temps", a déclaré l'un des participants à l'étude.
A noter qu'il existe d'autres solutions pour l'entrainement au ping-pong.
FORPHEUS, créé par la société d’automatisation Omron, a présenté au CES en 2017 et 2018 un robot conçu pour améliorer les performances des joueurs de tennis de table. Alors que de nombreux spectateurs de l’événement l’ont considéré comme un défi à relever, ses créateurs soulignent qu’il s’agit davantage d’un outil d’enseignement.

Selon Mike Chen, directeur d’Omron : » Ce que nous essayons toujours de faire avec FORPHEUS, c’est d’égaler le joueur. Il essaie toujours de donner des cours particuliers au joueur pour augmenter le nombre de rallyes. L’algorithme d’optimisation de l’IA est d’augmenter le nombre de rallyes, pas de le diminuer. »
Il a également précisé que, même si les joueurs tentent d’augmenter le nombre d’effets sur leur balle, FORPHEUS réagira en la retournant. Des outils tels que FORPHEUS montrent comment la robotique d’entraînement sportif peut fonctionner, non pas comme un outil compétitif, mais comme un outil d’apprentissage.