Un nouveau système d’IA permet aux robots de travailler plus vite que leurs enseignants humains sans sacrifier la précision.
Les robots apprennent de plus en plus de nouvelles compétences en observant les humains. Du pliage du linge à la manipulation des aliments, de nombreuses tâches du monde réel, semblables à celles des humains, sont trop complexes pour être programmées efficacement étape par étape.
L’apprentissage par imitation consiste à observer des humains réaliser une tâche, puis à faire reproduire ce que les robots voient grâce à des caméras et des capteurs. Bien que cette approche soit à la pointe de la recherche en robotique, elle se heurte à une contrainte majeure : la vitesse de travail des robots est directement liée à celle des personnes qui les ont formés.
Des chercheurs de Georgia Tech ont mis au point un outil qui repousse les limites de la vitesse. Ce système permet aux robots d’exécuter des tâches complexes beaucoup plus rapidement que les démonstrations humaines, tout en préservant la précision, le contrôle et la sécurité.
L’équipe s’attaque à un défi majeur de la robotique moderne : comment allier la flexibilité de l’apprentissage par imitation à la rapidité et à la fiabilité requises pour un déploiement en conditions réelles. Cette technologie pourrait favoriser une adoption plus large de l’apprentissage par imitation dans les applications industrielles et domestiques, et même permettre aux robots d’exécuter des tâches similaires à celles des humains avec une précision inégalée.
« Ce que nous cherchons à créer — et je dirais que l’industrie aussi — c’est un robot polyvalent capable d’effectuer toutes les tâches qu’un humain peut réaliser », explique Shreyas Kousik , professeur adjoint à l’École de génie mécanique George W. Woodruff et co-auteur principal de l’étude. « Pour que ce robot soit opérationnel hors du laboratoire, la rapidité d’exécution est essentielle. »
Le nouvel outil, SAIL (Speed Adaptation for Imitation Learning), est le fruit d’une collaboration interdisciplinaire menée sur plusieurs campus, réunissant des experts en génie mécanique, en robotique et en apprentissage automatique. L’équipe de recherche comprend Kousik ; Benjamin Joffe , chercheur principal au Georgia Tech Research Institute ; et Danfei Xu , professeur adjoint à la School of Interactive Computing, ainsi que des doctorants et des chercheurs issus de différents laboratoires.
Vitesse sans sacrifice
Apprendre aux robots à fonctionner plus vite que les humains lors de démonstrations est complexe. À grande vitesse, leur comportement peut différer et de petites variations de l’environnement peuvent engendrer des erreurs.
« Le problème, c’est qu’un robot est limité aux données sur lesquelles il a été entraîné, et que tout changement dans l’environnement peut entraîner sa défaillance », a déclaré Kousik.
SAIL relève ce défi grâce à une approche modulaire, où des composants distincts interagissent pour accélérer les performances au-delà des données d’entraînement. Le système assure des mouvements fluides à haute vitesse, un suivi précis des déplacements, une adaptation dynamique de la vitesse en fonction de la complexité de la tâche et une planification des actions tenant compte des délais matériels. Cette combinaison permet aux robots de se déplacer rapidement tout en restant stables, coordonnés et précis.
« L’une des lacunes que nous avons constatées était que nos systèmes robotiques universitaires pouvaient réaliser des prouesses impressionnantes, mais qu’ils n’étaient ni assez rapides ni assez robustes pour une utilisation pratique », a déclaré Joffe. « Nous souhaitions étudier cette lacune en détail et concevoir un système qui y remédie de bout en bout. »
Il a ajouté : « L’objectif n’est pas seulement de rendre les robots plus rapides, mais de les rendre suffisamment intelligents pour savoir quand la vitesse est utile et quand elle peut entraîner des erreurs. »
L’équipe a évalué les performances de SAIL sur 12 tâches, à la fois en simulation et sur deux plateformes robotiques physiques. Ces tâches comprenaient l’empilage de tasses, le pliage de tissu, le dressage de fruits, l’emballage de produits alimentaires et l’effacement d’un tableau blanc. Dans la plupart des cas, les robots équipés de SAIL ont accompli les tâches trois à quatre fois plus rapidement que les systèmes d’apprentissage par imitation classiques, sans perte de précision.
Une exception notable était la tâche d’effacement du tableau blanc, où le maintien du contact rendait difficile une exécution à grande vitesse.
« Il est essentiel de comprendre dans quels cas la vitesse est un avantage et dans quels cas elle est un inconvénient », a déclaré Kousik. « Parfois, ralentir est la bonne décision. »
Bien que SAIL ne rende pas les robots universellement adaptables à lui seul, il représente une étape importante vers des systèmes robotiques capables d’apprendre des humains sans être limités par leur rythme.
En démontrant comment les comportements robotiques acquis peuvent être accélérés de manière sûre et systématique, SAIL rapproche l’apprentissage par imitation des applications concrètes, où la vitesse, la précision et la fiabilité sont essentielles.
Citation : Ranawaka Arachchige, et al. « SAIL : Exécution plus rapide que la démonstration des politiques d’apprentissage par imitation », Conférence sur l’apprentissage robotique (CoRL), 2025.
