Saisir la portée de l’apprentissage automatique et du cloud robotique avec Ken Goldberg

Par Markkus Rovito
- 5 Déc 2017 - 8 min De Lecture
Ken Goldberg talks about Dex-Net 2.0
Composé d’images : Micke Tong

Voilà déjà 15 ans qu’iRobot lançait son robot aspirateur Roomba. Mais quid du robot qui va vider le lave-vaisselle et plier le linge ? Un grand nombre de robots peuvent réaliser des tâches répétitives, mais jusqu’ici, ils avaient besoin de beaucoup d’entraînement pour sentir et saisir des objets physiques inconnus. Une innovation qui fonctionne avec les robots connectés au cloud pourrait bien révolutionner la capacité des machines à apprendre de nouvelles tâches.

Ken Golberg, professeur d’ingénierie à l’université californienne de Berkeley et Jeff Mahler, l’un de ses étudiants, ont récemment publié les résultats de Dex-Net 2.0, un projet de recherche au sein duquel ils ont formé des robots à saisir de nouveaux objets grâce à une connexion à un réseau neuronal d’apprentissage profond. Plutôt que par une exploration physique sans fin des objets, c’est par le chargement d’un ensemble de nuages de 6,7 millions de points que les robots ont mémorisé d’autres prises : ces données synthétiques représentent des exemples de préhension en fonction des coordonnées spatiales de la surface des objets. La connectivité du cloud permet de transférer la mémoire et la puissance de traitement d’un seul robot sur le réseau. De ce fait, l’utilisation de cet énorme ensemble de données devient plus pratique, tout comme le partage des données et des résultats d’autres robots connectés au cloud.

Ken Goldberg s’explique : « On découvre que l’on peut amorcer l’apprentissage automatique au moyen d’ensembles de données synthétiques. La clé semble résider dans l’échantillonnage statistique qui identifie les prises susceptibles de mieux résister aux petites erreurs de positionnement du robot. »

DexNet 2.0: taux de précision de préhension de 99%Il est bien placé pour le savoir. Ken Goldberg a cofondé le laboratoire de recherche en intelligence artificielle de Berkeley (BAIR) et travaille sur la robotique depuis plus de vingt ans. Son installation artistique datant de 1995, The Telegarden, par laquelle les collaborateurs à distance pouvaient planter et arroser des graines au moyen d’un bras robotisé, a été le premier robot connecté à Internet.

De nos jours, grâce à leurs les fonctions préprogrammées, les bras robotiques sont dotés d’une incroyable précision, mais ils ont du mal à s’adapter à des objets inconnus. Alors qu’ils sont capables de souder des pièces, ils n’arrivent pas à saisir une nouvelle pièce ou à saisir de nouveau une pièce connue de la chaîne.

C’est la raison pour laquelle Dex-Net 2.0, un projet AUTOLAB de l’université californienne de Berkeley, représenterait une aubaine pour la commercialisation du cloud robotique. Munis de la capacité d’apprentissage à partir d’énormes ensembles de données synthétiques en réseau et des boucles de rétroaction positive issues des résultats partagés sur le cloud, des robots plus agiles pourraient rapidement emballer des articles à livrer, trier et ranger des objets dans les usines ou chez les gens, assembler des produits, etc.

Ken Goldberg (far left) with AUTOLAB research students Michael Laskey, Jacky Liang, and Sanjay Krishnan.
Ken Goldberg (à l’extrême gauche) avec les étudiants de recherche d’AUTOLAB Michael Laskey, Jacky Liang et Sanjay Krishnan. Avec l’aimable autorisation de Ken Goldberg.

Les résultats de Dex-Net 2.0 ont été produits à partir d’un mélange d’apprentissage automatique de réseau neuronal et un raisonnement statistique concernant les formes de milliers d’objets et de pièces tenant dans la main : allant d’un requin en plastique jusqu’à un couvercle à visser. Le système a traité ces ensembles de données avec des probabilités statistiques dans le but de prédire quels articles physiques il pouvait saisir au moyen de bras robotisés standard et d’un capteur 3D disponible dans le commerce. Lorsque le système était à 50 % sûr qu’il pouvait saisir quelque chose, son taux de réussite était de 99 %.

Les résultats sont prometteurs, à la fois pour la robotique et pour l’apprentissage automatique. C’est la raison pour laquelle Ken Goldberg et Jeff Mahler partagent une partie des données de Dex-Net 2.0. L’open source, c’est-à-dire le partage des codes, des conceptions et d’autres données, fait partie des cinq éléments du cloud robotique de Ken Goldberg. Le partage des données sur le cloud favorise un autre phénomène, la transmission mémorielle de robot à robot. Lorsqu’un robot est face à un nouvel objet dans une usine, un entrepôt ou une maison particulière, il peut transférer de nouvelles données sur le cloud pour aider d’autres robots.

Bien évidemment, les avantages du cloud robotique s’accompagnent d’inquiétudes, notamment en ce qui concerne l’atteinte à la vie privée, la sécurité, la fiabilité du réseau et bien-sûr, une question particulièrement importante pour les concepteurs : la propriété intellectuelle. Ken Goldberg souligne qu’ « il n’est absolument pas question que votre robot diffuse tout ce qui se passe chez vous, dans une salle d’opération ou même dans une usine. Dès que votre robot se trouve sur le cloud, quelqu’un, quelque part, peut le pirater. Il est donc important d’être vigilant, de ne pas se mettre des œillères en se disant “le cloud va résoudre tous les problèmes.” Il amène avec lui d’autres problèmes. Toutefois, je ne pense pas que ceux-ci soient insurmontables. »

Il va sans dire que le progrès technologique côtoie parfois de près l’environnement sans foi ni loi du cloud. Pour Ken Goldberg, les questions de propriété intellectuelle liées au partage de modèles 3D d’éléments protégés par des droits d’auteur sur un cloud en open source n’ont pas vraiment été pleinement résolues. Certains des modèles 3D de Dex-Net 2.0 dérivent d’études protégées par des droits d’auteur, mais il est impossible de décompiler la forme d’un objet à partir du réseau d’apprentissage profond. Par conséquent, il ne pense pas que les détenteurs de droits d’auteur soient menacés.

Ken Goldberg et Jeff Mahler sont en train de pousser Dex-Net vers le niveau suivant de l’autoapprentissage, de façon à ce qu’en cas d’erreur, le système puisse analyser les modes de défaillance pour trouver une solution. Ils veulent passer d’un taux d’exactitude de 98 % avec des objets connus à un taux de 99,999 %, y ajouter la répétition des saisies d’objet à des fins différentes, telles que le travail à la chaîne, et rendre la préhension de Dex-Net plus habile dans des piles désordonnées. Actuellement, lorsque les objets sont empilés, les robots ont du mal à sentir les bords et les dimensions de chaque objet individuel. La nouvelle version devrait être capable de pousser et de séparer les objets d’une pile.

Et Ken Goldberg d’expliquer : « Les enfants font sans cesse tomber des objets et les ramassent. Ils apprennent à les manipuler par le biais de l’exploration active. Vous pouvez regarder quelqu’un jouer au tennis toute la journée, mais si on vous donne une raquette est-ce que vous saurez jouer pour autant ? Bien sûr que non. Il faut d’abord que vous commenciez par jouer, c’est comme cela que vous apprendrez. »

ABB YuMi robot with grips
Dex-Net 2.0 a utilisé un robot collaboratif ABB YuMi. Avec l’aimable autorisation de Menglong Gu.

Pour qu’un robot fonctionnant avec le cloud apprenne à reconnaître et à ramasser de nouveaux objets, tout seul comme le ferait un être humain, Ken Goldberg est convaincu qu’un mélange de raisonnement analytique et d’apprentissage approfondi basé sur des données sera nécessaire. Il ajoute : « Je veux prouver l’importance des modèles analytiques que des chercheurs ont mis au point il y a des centaines d’années. La tendance actuelle est de s’en débarrasser et de n’utiliser que les modèles d’apprentissage profond basé sur les données. C’est une erreur de se débarrasser de l’analytique. Ce qu’il faut, c’est un mélange des deux.”

L’idée que les machines peuvent apprendre toutes seules a donné lieu au concept de la singularité technologique. Si les humains créent une machine plus intelligente qu’eux-mêmes, cela veut dire qu’une machine pourrait créer une nouvelle IA plus intelligente qu’elle et ainsi de suite, ce qui nous emmène au-delà des prévisibilités possibles. Beaucoup prédisent le pire face à une telle évolution, et d’autres, les techno-utopistes, prédisent le meilleur.

Ken Goldberg, quant à lui, se définit comme un « sceptimiste » : il est aussi sceptique vis-à-vis des scénarios catastrophes que de la frénésie utopique qui entoure l’IA, mais il est également optimiste vis-à-vis d’une synergie entre humains et machines qui pourrait améliorer nos vies. Il propose la « multiplicité » comme alternative à la singularité, par laquelle divers groupes d’humains posent d’importantes questions puis travaillent avec différents groupes de machines pour parvenir aux meilleures décisions qui soient.

Il ajoute : « Je ne peux pas prédire exactement comment les choses vont évoluer, mais le niveau d’intérêt actuel du secteur est incomparable à ce qui se passait il y a trente ans. Je suis convaincu qu’un groupe suffisamment divers de machines apprendra toujours à prendre de meilleures décisions qu’une seule machine travaillant seule. »

Sur le même sujet…

Accès validé !

Merci!

Découvrez le « Future of Making Things »

Abonnez-vous à notre newsletter