IA et ML en robotique<\/a> sont les deux faces d'une m\u00eame m\u00e9daille - les deux sont des technologies qui permettent aux robots d'apprendre de leurs interactions avec l'environnement qui les entoure.<\/p>\n\n\n\nBeaucoup de gens pensent que l'IA est un concept de science-fiction, mais elle est d\u00e9j\u00e0 utilis\u00e9e dans de nombreux aspects de notre vie quotidienne. Par exemple, Siri sur votre iPhone utilise des algorithmes de reconnaissance vocale et de traitement du langage naturel (NLP) pour comprendre ce que vous dites et r\u00e9pondre de mani\u00e8re appropri\u00e9e. Alexa sur Amazon Echos utilise le NLP pour comprendre les questions des utilisateurs, telles que \u00ab\u00a0Quel temps fait-il\u00a0?\u00a0\u00bb ou "Raconte-moi une blague". Google Translate utilise \u00e0 nouveau les algorithmes NLP pour traduire du texte dans une autre langue comme l'allemand ou le fran\u00e7ais.<\/p>\n\n\n\n
Applications actuelles de l'apprentissage automatique en robotique<\/h2>\n\n\n\nApprentissage par imitation<\/h3>\n\n\n\n
L'apprentissage par imitation est un type d'approche d'apprentissage automatique qui permet \u00e0 un agent d'apprendre du comportement d'autres agents ou humains. Il est \u00e9troitement li\u00e9 \u00e0 l'apprentissage par observation, un comportement manifest\u00e9 par les nourrissons et les tout-petits. Dans l'apprentissage par imitation, un agent apprend \u00e0 imiter le comportement d'un enseignant, qui d\u00e9montre le comportement souhait\u00e9. Cette approche est souvent utilis\u00e9e en robotique, o\u00f9 la programmation manuelle de solutions robotiques pour la mobilit\u00e9 en dehors d'une usine dans des domaines tels que la construction, l'agriculture, la recherche et le sauvetage, l'arm\u00e9e et autres, peut \u00eatre difficile.<\/p>\n\n\n\n
L'apprentissage par imitation est une cat\u00e9gorie parapluie pour l'apprentissage par renforcement. Il s'agit d'amener un agent \u00e0 agir dans le monde pour maximiser ses r\u00e9compenses. Les mod\u00e8les bay\u00e9siens ou probabilistes sont souvent utilis\u00e9s dans l'apprentissage par imitation, ce qui aide l'agent \u00e0 apprendre une politique qui mappe les \u00e9tats aux actions. La question de savoir si l'apprentissage par imitation pouvait \u00eatre utilis\u00e9 pour les robots de type humano\u00efde a \u00e9t\u00e9 pos\u00e9e pour la premi\u00e8re fois en 1999.<\/p>\n\n\n\n
Les chercheurs ont utilis\u00e9 l'apprentissage par imitation pour d\u00e9velopper des robots capables d'effectuer diverses t\u00e2ches, notamment saisir des objets, marcher et naviguer sur des terrains hors route. Par exemple, CMU a appliqu\u00e9 des m\u00e9thodes de contr\u00f4le optimal inverse pour d\u00e9velopper la robotique humano\u00efde, la locomotion \u00e0 pattes et les navigateurs mobiles tout-terrain tout-terrain. Une vid\u00e9o publi\u00e9e il y a deux ans par des chercheurs de l'Arizona State University montre un robot humano\u00efde utilisant l'apprentissage par imitation pour acqu\u00e9rir diff\u00e9rentes techniques de pr\u00e9hension.<\/p>\n\n\n\n
Les r\u00e9seaux de croyance bay\u00e9siens ont \u00e9galement \u00e9t\u00e9 appliqu\u00e9s aux mod\u00e8les d'apprentissage en avant, o\u00f9 un robot apprend sans connaissance pr\u00e9alable de son syst\u00e8me moteur ou de l'environnement externe. Un exemple de ceci est le \u00abbabillage moteur\u00bb, d\u00e9montr\u00e9 par le Language Acquisition and Robotics Group de l'Universit\u00e9 de l'Illinois \u00e0 Urbana-Champaign (UIUC) avec Bert, le robot humano\u00efde \u00abiCub\u00bb. Les robots peuvent utiliser l'apprentissage par imitation des actions des humains ou d'autres agents. Cela facilite la formulation de solutions pour des t\u00e2ches complexes dans divers domaines.<\/p>\n\n\n\n
Vision par ordinateur<\/h3>\n\n\n\n
La vision par ordinateur est un domaine en \u00e9volution rapide qui combine des algorithmes informatiques et du mat\u00e9riel de cam\u00e9ra pour permettre aux robots de traiter des donn\u00e9es physiques. Cette technologie est essentielle pour le guidage des robots et les syst\u00e8mes d'inspection automatique et a de nombreuses applications, dont l'identification et le tri d'objets. Alors que la vision par ordinateur, la vision artificielle et la vision robotique sont souvent utilis\u00e9es de mani\u00e8re interchangeable, la vision robotique englobe l'\u00e9talonnage du cadre de r\u00e9f\u00e9rence et la capacit\u00e9 d'un robot \u00e0 affecter physiquement son environnement.<\/p>\n\n\n\n
Les progr\u00e8s r\u00e9cents de la vision par ordinateur ont \u00e9t\u00e9 aliment\u00e9s par l'afflux de m\u00e9gadonn\u00e9es, y compris des photos et des vid\u00e9os annot\u00e9es et \u00e9tiquet\u00e9es disponibles sur le Web. Les techniques d'apprentissage par pr\u00e9diction structur\u00e9e bas\u00e9es sur l'apprentissage automatique dans des universit\u00e9s comme Carnegie Mellon ont jou\u00e9 un r\u00f4le d\u00e9terminant dans le d\u00e9veloppement d'applications de vision par ordinateur telles que l'identification et le tri d'objets. Un exemple d'une perc\u00e9e r\u00e9cente est l'utilisation de l'apprentissage non supervis\u00e9 pour la d\u00e9tection d'anomalies, qui implique la construction de syst\u00e8mes capables de trouver et d'\u00e9valuer les d\u00e9fauts dans les tranches de silicium \u00e0 l'aide de r\u00e9seaux de neurones convolutifs.<\/p>\n\n\n\n
Le d\u00e9veloppement de technologies extrasensorielles telles que le radar et les ultrasons conduit \u00e0 la cr\u00e9ation de syst\u00e8mes bas\u00e9s sur la vision \u00e0 360 degr\u00e9s pour les v\u00e9hicules autonomes et les drones. Des entreprises comme Nvidia sont \u00e0 la pointe de cette technologie, qui est utilis\u00e9e pour am\u00e9liorer la pr\u00e9cision et la s\u00e9curit\u00e9 des v\u00e9hicules autonomes et des drones. En combinant la vision par ordinateur avec des technologies extrasensorielles, les chercheurs cr\u00e9ent des syst\u00e8mes capables de d\u00e9tecter et d'\u00e9viter les obstacles, de naviguer dans des environnements complexes et d'effectuer diverses autres t\u00e2ches avec une pr\u00e9cision et une exactitude sans pr\u00e9c\u00e9dent.<\/p>\n\n\n\n
Technologies d'assistance et m\u00e9dicales<\/h3>\n\n\n\n
Les technologies d'assistance et m\u00e9dicales sont des domaines dans lesquels la robotique bas\u00e9e sur l'apprentissage automatique a fait des progr\u00e8s significatifs. Ces technologies sont con\u00e7ues pour b\u00e9n\u00e9ficier aux personnes handicap\u00e9es, aux personnes \u00e2g\u00e9es et aux patients du monde m\u00e9dical.<\/p>\n\n\n\n
Les robots d'assistance peuvent d\u00e9tecter, traiter des informations sensorielles et effectuer des actions utiles aux personnes. En raison des contraintes de co\u00fbt, les robots de th\u00e9rapie par le mouvement, qui offrent des avantages diagnostiques ou th\u00e9rapeutiques, sont encore largement confin\u00e9s au laboratoire. Parmi les premi\u00e8res technologies d'assistance, citons le DeVAR d\u00e9velopp\u00e9 au d\u00e9but des ann\u00e9es 1990.<\/p>\n\n\n\n
Des exemples plus r\u00e9cents de technologies d'assistance robotique bas\u00e9es sur l'apprentissage automatique incluent le bras robotique MICO d\u00e9velopp\u00e9 \u00e0 la Northwestern University. Ce bras utilise un capteur Kinect pour observer le monde et s'adapter aux besoins de l'utilisateur avec une autonomie partielle, c'est-\u00e0-dire un partage du contr\u00f4le entre le robot et l'humain.<\/p>\n\n\n\n
La robotique bas\u00e9e sur l'apprentissage automatique am\u00e9liore consid\u00e9rablement la pr\u00e9cision et la fiabilit\u00e9 chirurgicales dans le monde m\u00e9dical. Le Smart Tissue Autonomous Robot (STAR) est une collaboration entre des chercheurs de plusieurs universit\u00e9s et un r\u00e9seau de m\u00e9decins pilot\u00e9 par le biais du Children's National Health System \u00e0 DC. STAR peut assembler des \u00abintestins de porc\u00bb avec une pr\u00e9cision et une fiabilit\u00e9 sup\u00e9rieures \u00e0 celles des meilleurs chirurgiens humains. Bien qu'il ne soit pas destin\u00e9 \u00e0 remplacer les chirurgiens humains, STAR offre des avantages significatifs dans la r\u00e9alisation de types similaires de chirurgies d\u00e9licates.<\/p>\n\n\n\n
Apprentissage auto-supervis\u00e9<\/h3>\n\n\n\n
Apprentissage auto-supervis\u00e9<\/a> est une puissante approche d'apprentissage automatique qui peut b\u00e9n\u00e9ficier aux robots et autres appareils ayant un acc\u00e8s limit\u00e9 aux donn\u00e9es \u00e9tiquet\u00e9es ou la n\u00e9cessit\u00e9 de g\u00e9n\u00e9rer des exemples de formation pour am\u00e9liorer les performances. Cette approche a \u00e9t\u00e9 utilis\u00e9e dans diverses applications, notamment la d\u00e9tection d'objets, l'analyse de sc\u00e8nes et la mod\u00e9lisation de la dynamique des v\u00e9hicules.<\/p>\n\n\n\nUn exemple fascinant d'apprentissage auto-supervis\u00e9 en action est Watch-Bot, un robot d\u00e9velopp\u00e9 par des chercheurs de Cornell et de Stanford. En utilisant une combinaison de capteurs et de m\u00e9thodes probabilistes, Watch-Bot peut d\u00e9tecter les sch\u00e9mas d'activit\u00e9 humaine normaux et utiliser un pointeur laser pour rappeler aux humains des t\u00e2ches telles que remettre le lait au r\u00e9frig\u00e9rateur. Lors des premiers tests, Watch-Bot a rappel\u00e9 avec succ\u00e8s l'\u00e9poque aux humains 60%, et les chercheurs ont continu\u00e9 \u00e0 am\u00e9liorer ses capacit\u00e9s gr\u00e2ce \u00e0 un projet appel\u00e9 RoboWatch.<\/p>\n\n\n\n
Un autre exemple d'apprentissage auto-supervis\u00e9 en robotique est un algorithme de d\u00e9tection de route d\u00e9velopp\u00e9 au MIT pour les v\u00e9hicules autonomes et autres robots mobiles. Cet algorithme utilise une cam\u00e9ra frontale et un mod\u00e8le de distribution probabiliste pour identifier les routes et les obstacles sur le chemin.
En plus de l'apprentissage auto-supervis\u00e9, l'apprentissage autonome est une autre variante de l'apprentissage automatique qui peut b\u00e9n\u00e9ficier aux robots et autres appareils autonomes. Une approche, d\u00e9velopp\u00e9e par une \u00e9quipe de l'Imperial College de Londres, utilise un apprentissage en profondeur et des m\u00e9thodes non supervis\u00e9es pour int\u00e9grer l'incertitude du mod\u00e8le dans la planification \u00e0 long terme et l'apprentissage des contr\u00f4leurs. Cette approche statistique d'apprentissage automatique peut r\u00e9duire l'impact des erreurs de mod\u00e8le et acc\u00e9l\u00e9rer le processus d'apprentissage, comme le d\u00e9montre une vid\u00e9o sur le manipulateur r\u00e9alis\u00e9e par l'\u00e9quipe.<\/p>\n\n\n\n
Apprentissage multi-agents<\/h3>\n\n\n\n
L'apprentissage multi-agents est une technique d'apprentissage automatique qui implique la coordination et la n\u00e9gociation entre plusieurs robots ou agents pour atteindre un objectif commun. Les strat\u00e9gies d'\u00e9quilibre sont trouv\u00e9es gr\u00e2ce \u00e0 des algorithmes d'apprentissage qui permettent aux agents de s'adapter \u00e0 un environnement changeant. Un exemple de cette approche est l'utilisation d'outils d'apprentissage sans regret, qui utilisent des algorithmes pond\u00e9r\u00e9s pour am\u00e9liorer les r\u00e9sultats de la planification multi-agents, et l'apprentissage dans des syst\u00e8mes de contr\u00f4le distribu\u00e9s bas\u00e9s sur le march\u00e9.<\/p>\n\n\n\n
Le Lab for Information and Decision Systems du MIT a d\u00e9velopp\u00e9 un exemple concret d'algorithme distribu\u00e9 permettant aux robots de collaborer et de construire un mod\u00e8le d'apprentissage plus inclusif. Les robots explorent un b\u00e2timent et ses agencements de pi\u00e8ces, chacun construisant son propre catalogue, qui est combin\u00e9 pour cr\u00e9er une base de connaissances. Cette approche permet aux robots de traiter de plus petits morceaux d'informations et d'obtenir de meilleurs r\u00e9sultats lorsqu'ils travaillent ensemble qu'un seul robot. Bien qu'imparfait, ce type d'approche d'apprentissage automatique permet aux robots de renforcer les observations mutuelles, de comparer des catalogues ou des ensembles de donn\u00e9es et de corriger les omissions ou les g\u00e9n\u00e9ralisations excessives.<\/p>\n\n\n\n
L'apprentissage multi-agents a le potentiel d'\u00eatre utilis\u00e9 dans plusieurs applications, y compris les v\u00e9hicules terrestres et a\u00e9riens autonomes. Cette approche peut conduire \u00e0 une performance plus efficace et efficiente en faisant communiquer et coop\u00e9rer les robots pour atteindre un objectif commun. Cependant, d'autres recherches et d\u00e9veloppements sont n\u00e9cessaires pour optimiser cette technique pour une utilisation dans le monde r\u00e9el.<\/p>\n\n\n\n
Application de l'apprentissage automatique et de l'intelligence artificielle \u00e0 la robotique dans diverses industries<\/h2>\n\n\n\n
La robotique peut \u00eatre appliqu\u00e9e dans diverses industries, telles que l'agriculture, la sant\u00e9, la fabrication, la logistique, etc. <\/p>\n\n\n\n
- Agriculture:<\/strong> L'utilisation de drones pour l'inspection des cultures est devenue tr\u00e8s courante de nos jours. Ces drones sont \u00e9quip\u00e9s de capteurs qui mesurent diff\u00e9rents param\u00e8tres comme la teneur en humidit\u00e9 du sol, les niveaux d'engrais, etc. Les donn\u00e9es collect\u00e9es \u00e0 partir de ces capteurs sont renvoy\u00e9es au serveur, o\u00f9 un algorithme les analyse et envoie des suggestions ou des alertes aux agriculteurs par SMS ou application mobile. notifications en fonction de l'\u00e9tat de leurs cultures\/superficie.<\/li>
- Soins de sant\u00e9:<\/strong> Des robots bas\u00e9s sur l'IA sont utilis\u00e9s dans les h\u00f4pitaux du monde entier \u00e0 diverses fins, comme aider les m\u00e9decins lors d'interventions chirurgicales ou diagnostiquer des patients en scannant des images prises \u00e0 partir d'appareils IRM. Par exemple, la plate-forme d'intelligence artificielle Watson d'IBM a \u00e9t\u00e9 d\u00e9ploy\u00e9e avec succ\u00e8s chez Highland Hospital Partners, le plus grand groupe hospitalier d'\u00c9cosse. Il est bas\u00e9 sur sa capacit\u00e9 \u00e0 lire les dossiers m\u00e9dicaux plus rapidement que n'importe quel m\u00e9decin humain (Watson a pu lire 1 million de pages en 10 minutes). Une \u00e9tude men\u00e9e par Accenture Strategy Limited indique que le taux d'adoption des initiatives de transformation num\u00e9rique est le plus \u00e9lev\u00e9 parmi les prestataires de soins de sant\u00e9 que dans tous les autres secteurs verticaux de l'industrie (60%), suivi des services financiers (52%).<\/li>
- Fabrication:<\/strong> Le secteur manufacturier est l'une des industries les plus importantes de tous les pays. Des robots aliment\u00e9s par l'IA sont utilis\u00e9s pour automatiser les processus de fabrication et augmenter l'efficacit\u00e9. Par exemple, General Motors a r\u00e9cemment lanc\u00e9 un nouveau robot appel\u00e9 \u00ab Baxter \u00bb, qui aidera les travailleurs humains \u00e0 effectuer des t\u00e2ches r\u00e9p\u00e9titives comme ramasser des pi\u00e8ces dans des bacs ou les souder avec un minimum de supervision.<\/li>
- Logistique:<\/strong> Des robots aliment\u00e9s par l'IA sont utilis\u00e9s pour optimiser les processus logistiques et r\u00e9duire les co\u00fbts. Par exemple, DHL a lanc\u00e9 un nouveau robot aliment\u00e9 par l'IA appel\u00e9 "PakBot". Cela aidera les travailleurs humains \u00e0 scanner les colis, \u00e0 emballer les articles dans des bo\u00eetes et \u00e0 les \u00e9tiqueter avec des codes-barres afin de r\u00e9duire le temps n\u00e9cessaire pour exp\u00e9dier les produits dans le monde entier (cela devrait \u00e9galement garantir que les clients re\u00e7oivent leurs commandes plus rapidement).<\/li>
- \u00c9ducation:<\/strong> Les robots aliment\u00e9s par l'IA sont utilis\u00e9s \u00e0 diverses fins dans l'\u00e9ducation. Par exemple, des robots sont utilis\u00e9s pour aider les enseignants \u00e0 noter les dissertations et les articles plus rapidement et avec plus de pr\u00e9cision que jamais. Ils peuvent \u00e9galement \u00eatre utilis\u00e9s dans les salles de classe pour enseigner aux enfants des comp\u00e9tences de vie importantes comme comment cuisiner ou nettoyer apr\u00e8s eux-m\u00eames.<\/li><\/ul>\n\n\n\n
L'avenir de l'IA et de l'apprentissage automatique dans la robotique<\/h2>\n\n\n\n
Comme nous l'avons vu, l'IA et le ML sont appliqu\u00e9s \u00e0 la robotique depuis de nombreuses ann\u00e9es. La technologie \u00e9volue constamment, ouvrant la porte \u00e0 de nouvelles fa\u00e7ons d'introduire l'IA et le ML dans le monde de la robotique. Cela signifie qu'il est tout \u00e0 fait possible que vous voyiez l'IA et le ML \u00eatre utilis\u00e9s d'une mani\u00e8re \u00e0 laquelle vous n'avez m\u00eame pas encore pens\u00e9 !<\/p>\n\n\n\n
L'IA et le ML peuvent \u00eatre appliqu\u00e9s \u00e0 la robotique dans de nombreux autres secteurs que la fabrication ou la sant\u00e9, ainsi que d'autres mani\u00e8res que ce dont nous avons discut\u00e9 ici. Par exemple, les chercheurs \u00e9tudient comment ils pourraient utiliser des algorithmes d'apprentissage automatique bas\u00e9s sur des techniques d'apprentissage en profondeur pour enseigner de nouvelles comp\u00e9tences aux robots plus rapidement que jamais. Une de ces \u00e9tudes a r\u00e9v\u00e9l\u00e9 que les ordinateurs pouvaient apprendre \u00e0 reconna\u00eetre les objets qui les entourent apr\u00e8s avoir observ\u00e9 les humains le faire une seule fois - quelque chose prend normalement des heures ou des jours aux humains\u00a0!<\/p>\n\n\n\n
Conclusion<\/h2>\n\n\n\n
Vous comprenez maintenant clairement le r\u00f4le de l'IA et de l'apprentissage automatique dans la robotique. Ils sont d\u00e9j\u00e0 utilis\u00e9s et le seront davantage \u00e0 l'avenir. Ils sont utilis\u00e9s dans tous les aspects de la robotique, m\u00eame s'ils ne sont pas n\u00e9cessaires pour chaque partie de la fonction d'un robot. Et ils seront probablement davantage utilis\u00e9s \u00e0 l'avenir \u00e0 mesure que la technologie progressera.<\/p>\n\n\n\n
Source vid\u00e9o: Site officiel de l'Administration nationale de l'a\u00e9ronautique et de l'espace<\/a><\/strong><\/p>\n\n\n\n
\n\n\n\n\n\n\n\nQuestions et r\u00e9ponses sur l'apprentissage automatique dans la robotique<\/h2>","protected":false},"excerpt":{"rendered":"
Des recherches r\u00e9centes de Google ont montr\u00e9 que l'intelligence artificielle et l'apprentissage automatique sont parmi les domaines les plus en vogue de l'ing\u00e9nierie. Il est pr\u00e9dit que l'avenir de la robotique reposera sur les technologies d'intelligence artificielle et d'apprentissage automatique. Cependant, cet article est l\u00e0 pour souligner comment ces deux technologies peuvent \u00eatre appliqu\u00e9es \u00e0 la robotique aujourd'hui. Intelligence artificielle, apprentissage automatique et [\u2026]<\/p>","protected":false},"author":1,"featured_media":2987,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none"},"categories":[45,46,68,70],"tags":[],"_links":{"self":[{"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/posts\/2976"}],"collection":[{"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/comments?post=2976"}],"version-history":[{"count":0,"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/posts\/2976\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/media\/2987"}],"wp:attachment":[{"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/media?parent=2976"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/categories?post=2976"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rfidunion.com\/fr\/wp-json\/wp\/v2\/tags?post=2976"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}