Le premier professeur d’un robot n’est pas un jeu de données. C’est l’environnement.

Un robot peut être entraîné sur des millions d’exemples et pourtant se retrouver face à une situation qu’il n’a jamais vue auparavant.
Une surface est plus glissante que prévu, un objet est légèrement plus lourd, le sol est irrégulier, une prise échoue, un mouvement doit être corrigé à mi-parcours de l’exécution ; le monde ne suit pas une séquence parfaitement scriptée.
C’est là que l’intelligence incarnée commence à se distinguer du #AI. A dataset can show a #robot conventionnel : non pas seulement la manière dont un objet apparaît ou la façon dont une action devrait se dérouler, mais le fait que les environnements réels introduisent des variables qu’on ne peut pas toujours anticiper à l’avance. Le robot doit répondre à ce qui se produit réellement.
C’est pourquoi la 𝗧𝗲𝗹𝗲𝗼𝗽𝗲𝗿𝗮𝘁𝗶𝗼𝗻 en conditions réelles vaut tant. Les opérateurs humains apportent la capacité à naviguer dans l’incertitude et à s’adapter à des conditions qui n’ont jamais été explicitement programmées. Leurs actions exposent les robots à la relation entre le mouvement et la conséquence : ce qui se passe quand une prise est trop faible, quand une trajectoire est légèrement incorrecte, ou quand un obstacle inattendu modifie la tâche.
@InvLambda construit autour de cette couche avec intervention humaine, en utilisant la téléopération pour créer des données d’interaction plus riches, à la fois dans des environnements simulés et physiques. Les opérateurs humains fournissent l’intelligence adaptative ; l’environnement du robot fournit les conséquences ; les données qui en résultent deviennent une base pour développer une IA incarnée plus performante.
Un robot ne peut pas apprendre l’intelligence physique en se contentant d’étudier uniquement ce qui s’est déjà produit : il doit rencontrer le monde, y répondre, et apprendre de ce qui se passe ensuite.
#InvertedLambdaTheBreach #InvertedLambda #Robotics #Teleoperation #SecondContact #SecondContactTheBreach