En Chine, AgiBot, l’université Tsinghua et INFINIGENCE ont expérimenté une méthode permettant aux robots d’apprendre des réussites de leurs homologues. Testée sur 96 robots réels, elle améliore leurs performances dans plusieurs tâches domestiques et industrielles.
Cette approche, baptisée Collective Experience Learning (CEL), repose sur le partage des expériences entre robots. Plutôt que de dépendre uniquement de démonstrations humaines pour apprendre une manipulation, les machines exploitent également les solutions trouvées par d’autres robots confrontés à des difficultés similaires. Les trois partenaires ont présenté les résultats d’une expérimentation collective destinée à évaluer cette méthode.
Une méthode d’apprentissage fondée sur les expériences des autres robots
Le principe du CEL consiste à mutualiser les expériences réussies au sein d’un groupe de robots. Lorsqu’une machine rencontre une difficulté pendant une opération, elle peut bénéficier des solutions précédemment acquises par d’autres membres du groupe.
Cette méthode vise à réduire la dépendance aux démonstrations humaines et à permettre une amélioration progressive des performances grâce aux expériences accumulées par les robots eux-mêmes.
Les chercheurs présentent cette approche comme une piste pour favoriser l’évolution autonome des capacités des robots et leur déploiement à grande échelle. L’expérimentation porte sur l’apprentissage collectif et non sur la commercialisation d’un nouveau modèle de robot.
Cinq tâches domestiques et industrielles pour évaluer les performances
Les équipes d’AgiBot, de l’université Tsinghua et d’INFINIGENCE ont évalué le CEL dans des environnements domestiques et industriels. Les robots ont été confrontés à cinq opérations différentes :
- Réaliser une composition florale.
- Plier des vêtements.
- Recharger des téléphones portables.
- Assembler des chaises.
- Emballer des smartphones.
Ces manipulations permettent d’observer l’efficacité de l’apprentissage partagé sur des opérations nécessitant des gestes et des interactions avec des objets différents.
Lors d’une évaluation portant sur 600 essais réalisés par deux robots non entraînés, les équipes rapportent seulement 15 échecs, soit un taux de réussite de 97,5 %. Pour chacune des cinq tâches, les performances obtenues dépassent le taux de réussite moyen de six opérateurs humains utilisés comme référence dans l’expérimentation.
L’emballage de smartphones passe de 79,2 % à 98,3 % de réussite
L’une des améliorations les plus marquées concerne l’emballage de smartphones. D’après les résultats présentés par les équipes de recherche, le taux de réussite des robots est passé de 79,2 % avant l’apprentissage collectif à 98,3 % après son application.
Lors de cette évaluation, les robots ont enregistré seulement deux échecs sur 120 essais consécutifs. Cette progression illustre l’intérêt du partage d’expériences pour une opération répétitive de manipulation et d’emballage.
Le passage de 16 à 96 robots améliore les résultats de l’apprentissage
Les chercheurs ont également étudié l’influence du nombre de robots participant à l’entraînement collectif. Leurs résultats montrent une augmentation du taux de réussite lorsque davantage de machines contribuent au partage d’expériences.
Avec 16 robots participants, le taux de réussite mesuré atteint 86,7 %. Lorsque le groupe passe à 96 robots, ce taux atteint 98,3 %, selon les résultats de l’expérimentation.
L’analyse des équipes associe cette progression à l’accumulation d’un plus grand nombre d’expériences exploitables. Chaque robot supplémentaire peut contribuer à enrichir les solutions disponibles pour les autres membres du groupe.
Cette expérimentation menée par AgiBot, Tsinghua et INFINIGENCE valide ainsi le fonctionnement du CEL sur un groupe de 96 robots physiques, avec des résultats mesurés sur des manipulations domestiques et industrielles.