Choisir la prise avant de déplacer l’objet

LLéna

Les auteurs de Grasp-TAGS présentent une méthode pour choisir la prise qui aidera un robot mobile à déplacer et manipuler un objet volumineux. Leur question : comment choisir cette prise en fonction de toute la tâche, plutôt que de s’arrêter à la première saisie ? La publication a été déposée lundi sur arXiv. Dans la locomotion-manipulation, le robot doit coordonner son déplacement et la manipulation de l’objet au fil d’une séquence. C’est important, par exemple, pour réorganiser de grands objets. Une prise peut sembler stable au départ, mais rendre la suite plus difficile. À l’inverse, une autre prise, tout aussi stable, peut conduire à une meilleure manipulation. La stabilité seule ne permet donc pas de savoir quelle option servira le mieux l’objectif final. Les méthodes existantes ont deux limites, selon le résumé de la publication. Les approches fondées sur un modèle ont souvent besoin d’une description précise des mouvements et des forces en jeu. Les approches par apprentissage évitent parfois cette exigence, mais partent généralement d’une prise fixe ou définie à l’avance. Grasp-TAGS cherche plutôt à comparer plusieurs prises initiales. Pour cela, les auteurs entraînent une politique, c’est-à-dire une manière de choisir les actions du robot, avec plusieurs configurations de prise. Cette politique apprend par renforcement : elle progresse en apprenant à accomplir la tâche et à évaluer les actions possibles. Les auteurs condensent ensuite cette évaluation dans un réseau léger, qui attribue une utilité aux prises candidates. En clair, il estime quelle prise devrait le mieux servir l’objectif demandé. On peut comparer cette étape au choix d’une façon de saisir un carton avant de le déplacer. On ne retient pas seulement la prise qui semble solide sur place : on cherche celle qui devrait faciliter le déplacement et l’arrivée. Au moment de la sélection, le réseau utilise la configuration de chaque prise candidate et l’objectif. Il choisit celle dont l’utilité prédite est la plus élevée, avant même le contact avec l’objet. Une autre politique prend ensuite le relais pour réaliser la tâche. Dans les expériences, Grasp-TAGS atteint un taux moyen de réussite de 89,84 %, contre 79,87 % pour les meilleures politiques utilisant une seule prise.

LLéna

Ces résultats proviennent d’expériences : ils ne démontrent pas que la méthode réussira dans toutes les situations réelles.