Le CSAIL du MIT développe une IA pour accélérer la planification des tâches pour les robots domestiques

Les chercheurs du laboratoire de science informatique et d’intelligence artificielle (CSAIL) du MIT ont réalisé une avancée majeure avec le développement de PIGINet, un système d’IA conçu pour améliorer les capacités de résolution de problèmes des robots domestiques. Grâce à l’apprentissage automatique et à un encodeur transformateur, PIGINet rationalise le processus de planification des tâches, réduisant le temps de planification de 50 % à 80 % dans divers scénarios. La capacité du modèle à naviguer efficacement dans des environnements complexes avec des obstacles mobiles en fait une solution pratique et adaptable pour les tâches ménagères.

Le défi de la planification des tâches pour les robots domestiques

Les robots domestiques sont souvent confrontés à de nombreuses actions potentielles lors de l’exécution de tâches, ce qui conduit à des processus de planification inefficaces et chronophages. Les approches traditionnelles impliquent un raffinement itératif des plans de tâche jusqu’à ce qu’une solution réalisable soit trouvée. Cependant, cette méthode devient de plus en plus fastidieuse en présence d’obstacles mobiles et articulés. Le CSAIL du MIT visait à révolutionner ce processus avec le développement de PIGINet.

PIGINet est un réseau de neurones conçu pour améliorer l’efficacité de la planification des tâches pour les robots domestiques. Il utilise un encodeur transformateur, un modèle polyvalent fonctionnant sur des séquences de données, pour traiter les informations relatives au plan de tâche, aux images de l’environnement et aux encodages symboliques des états initial et souhaité. En prédissant la probabilité qu’un plan de tâche conduise à des plans de mouvement réalisables, PIGINet réduit considérablement le temps de planification.

Rationalisation de la planification des tâches

Les chercheurs ont créé des centaines d’environnements simulés avec différentes dispositions et des tâches spécifiques impliquant le réarrangement d’objets entre les comptoirs, les réfrigérateurs, les armoires, les éviers et les casseroles de cuisson. PIGINet a été testé par rapport aux méthodes précédentes, et les résultats ont été impressionnants. Il a réduit le temps de planification de 80 % dans les scénarios plus simples et de 20 % à 50 % dans les situations plus complexes, nécessitant des séquences de planification plus longues et moins de données d’entraînement.

Résolution de problèmes flexible avec des embeddings multimodaux

L’utilisation par PIGINet d’embeddings multimodaux dans la séquence d’entrée a permis une meilleure compréhension des relations géométriques complexes. Le modèle a saisi les arrangements spatiaux et les configurations d’objets avec des données d’image sans dépendre de maillages d’objets 3D pour une vérification précise des collisions. Cela a permis une prise de décision rapide dans des environnements diversifiés.

Faire face aux défis liés aux données

Lors du développement de PIGINet, l’un des principaux défis était la rareté des bonnes données d’entraînement. Des plans réalisables et irréalisables devaient être générés par des planificateurs traditionnels, ce qui était un processus lent. Les chercheurs ont surmonté cet obstacle en utilisant des modèles de vision et de langage pré-entraînés et des techniques d’augmentation de données. Le modèle a montré des réductions impressionnantes du temps de planification, même dans des scénarios avec des objets jamais vus auparavant.

La vision de l’équipe pour les robots domestiques est d’avoir des résolveurs de problèmes adaptables plutôt que de simples exécutants de recettes. Le planificateur de tâches polyvalent de PIGINet génère des plans de tâches candidats, et le modèle d’apprentissage profond sélectionne les plus prometteurs. Le résultat est un robot domestique plus efficace et pratique, capable de naviguer avec agilité dans des environnements complexes et dynamiques.

Objectifs futurs et au-delà des foyers

Les chercheurs prévoient d’affiner PIGINet pour suggérer des plans de tâches alternatifs après avoir identifié des actions irréalisables, accélérant ainsi davantage la génération de plans de tâches réalisables sans besoin de grands ensembles de données. Cette approche révolutionnaire de formation et d’application des robots pourrait s’étendre au-delà des foyers, débloquant de nouvelles possibilités dans divers domaines.

Avec le développement de PIGINet, le CSAIL du MIT a fait progresser les capacités des robots domestiques en réduisant considérablement le temps de planification et en améliorant l’adaptabilité dans des environnements complexes. En utilisant l’apprentissage automatique et des embeddings multimodaux, PIGINet offre une solution efficace et fiable à de nombreux problèmes. Son potentiel à révolutionner la formation et le déploiement des robots en fait une innovation clé dans la robotique polyvalente.