Une équipe comprenant Chongzie Zhang de l’école d’ingénierie McKelvey de l’université Washington de Saint-Louis a mis au point une méthode permettant à des robots d’apprendre à d’autres robots, dotés de caractéristiques différentes, à réaliser la même tâche. Crédit : Chongzie Zhang

Les robots sont de plus en plus utilisés dans la production industrielle, l’agriculture et la santé. Cependant, programmer une équipe de robots pour qu’ils accomplissent des tâches individuelles soulève une question : comment des robots de conception différente peuvent-ils apprendre les uns des autres ? Une équipe multi-institutionnelle, dont Chongjie Zhang, professeur associé d’informatique et d’ingénierie à WashU McKelvey Engineering, a mis au point une nouvelle méthode permettant aux robots de réaliser les intentions manifestées par leurs pairs.

Cette méthode, appelée apprentissage par imitation aligné sur l’intention (IAIL: Intention-Aligned Imitation Learning), s’inspire de l’apprentissage culturel humain. Les résultats de cette recherche sont publiés dans la revue Science Robotics .

Les méthodes traditionnelles exigent généralement que les robots possèdent des capacités physiques et des caractéristiques similaires à celles du démonstrateur, ce qui rend difficile leur adaptation à différents environnements ou leur collaboration avec des robots de conception différente. La solution proposée par l’équipe, IAIL, utilise des intentions de haut niveau , ou objectifs, décrites en langage naturel pour aligner et adapter les comportements des robots. Elle leur permet également de comprendre la finalité des actions et de les appliquer dans diverses situations, même avec des conceptions physiques différentes.

L’équipe a testé IAIL avec sept robots différents dans 30 scénarios différents, ce qui a démontré la capacité des méthodes à adapter les comportements à différents robots et tâches et a permis un travail d’équipe multi-robots.

« Plutôt que de reproduire des actions motrices de bas niveau ou des caractéristiques spécifiques à l’incarnation, notre approche oppose et associe les comportements en fonction de leurs objectifs de tâche, ce qui prend en charge le transfert d’agent à agent et d’équipe à équipe », a déclaré Zhang.

Une intention est le but ou le résultat qu’un robot vise à atteindre par une action. Elle est décrite en langage humain, ce qui permet de distinguer les spécificités du contrôle ou de l’exécution physique de l’action. L’équipe a créé un espace d’intentions partagé en alignant les représentations vectorielles des mouvements avec leurs annotations correspondantes, ce qui a permis de mesurer des intentions similaires entre des robots aux conceptions et capacités différentes.

Le robot apprenant sélectionne ensuite, parmi son répertoire pré-entraîné, le comportement le plus pertinent pour la démonstration en faisant correspondre les intentions. Cette méthode fonctionne également avec des équipes de robots, a précisé l’équipe.

Zhang a expliqué que leur méthode s’inspire des mécanismes d’apprentissage culturel humain, selon lesquels les individus comprennent les actions d’autrui et les expriment par leur propre comportement.

Elle est également en accord avec les sciences cognitives, qui démontrent que les humains qui apprennent privilégient la reproduction des objectifs inférés d’un démonstrateur plutôt que la reproduction exacte de ses mouvements, ainsi qu’avec les neurosciences, qui montrent que les humains interprètent le comportement intentionnellement plutôt que par imitation des mouvements.

« Notre approche linguistique offre une perspective complémentaire et robuste, en fournissant un code partagé de haut niveau pour l’intention, qui comble les lacunes de l’incarnation là où la correspondance visuelle ou gestuelle directe est peu fiable », a déclaré Zhang. « En organisant les comportements du robot dans un espace d’intention partagé, aligné sur des descripteurs compréhensibles par les humains, IAIL favorise la lisibilité et la prévisibilité, ce qui est un atout majeur pour les collaborations, notamment avec les humains. »

https://source.washu.edu/2026/03/robots-learn-by-imitating-other-robots/

https://engineering.washu.edu/news/2026/Robots-learn-by-imitating-other-robots.html