Une pince manuelle entraîne une IA robotique sans robot, selon des tests

Un opérateur tient une pince manuelle, exécute une tâche, et aucun bras robotisé ne bouge dans la pièce. Les caméras enregistrent exactement ce que verrait un robot. C'est le cœur de HIL-UMI, une nouvelle méthode mise au point par une équipe dirigée par Hao Dong, de l'université de Pékin, en collaboration avec le fabricant shanghaïen de robots personnels PrimeBot. Elle collecte les données de correction servant à améliorer les modèles vision-langage-action, ces systèmes d'IA qui transforment les images de caméras et les instructions en mouvements robotiques, sans qu'aucun robot ne participe à la collecte.

Entraîner un tel modèle consiste généralement à laisser un robot tourner et échouer. Dans l'approche classique, le DAgger à validation humaine, ou HG-DAgger, un opérateur observe le robot exécuter une tâche, reprend la main lorsqu'il est sur le point d'échouer, puis réinitialise la scène. La boucle est précise, mais lente : l'essentiel du temps est consacré à des mouvements robotiques maladroits et à des remises à zéro manuelles, et non aux images qui apprennent réellement quelque chose au modèle.

HIL-UMI conserve l'humain dans la boucle, mais change l'endroit où elle s'exécute. L'opérateur travaille avec une pince manuelle de l'interface Universal Manipulation Interface, pendant que la politique en cours prédit les actions futures sur le même flux vidéo, sans rien contrôler. Lorsqu'un Energy Score montre que les actions prédites par la politique s'écartent de la trajectoire de l'humain, le système demande des démonstrations supplémentaires sur ce segment. Une seconde boucle entraîne un estimateur fondé sur la progression, qui récompense les actions faisant avancer la tâche plutôt que les mouvements inutiles, et la politique est mise à jour après chaque cycle, si bien que les sessions suivantes signalent des cas plus difficiles au lieu de cas faciles. Sur quatre tâches réelles sur robot, pliage d'une serviette, nettoyage d'une table, empilement de cubes et tamponnage, l'équipe annonce un score moyen de progression de 94,8 pour HIL-UMI, contre 58,0 pour un simple réglage fin supervisé avec le même budget d'images, avec des scores parfaits sur les deux tâches de précision. Sur la tâche longue de nettoyage de table, les auteurs citent 73,40 millisecondes par image utile contre 412,99 millisecondes pour HG-DAgger, soit environ 5,63 fois plus d'efficacité de collecte. Il s'agit des résultats propres aux auteurs, et aucun groupe indépendant ne les a vérifiés.

Pour les constructeurs de robots, le changement pratique porte sur qui peut collecter des données, et où. Les auteurs soutiennent que dissocier la correction, qui tient compte de la politique, du déploiement sur robot permettrait à davantage d'opérateurs de collecter des données de post-entraînement, dans davantage de lieux, sans qu'une batterie de robots doive rester immobilisée au laboratoire. Cette promesse ne tiendra que si les gains se reproduisent en dehors du dispositif des auteurs. L'article ne fixe aucune échéance pour une utilisation plus large, et il ne dit pas combien coûte le dispositif à pince manuelle comparé à une cellule robotisée.