Une étude du Michigan enseigne aux robots les relations d'objet domestique

L'objectif de la recherche est de fournir une méthode pratique permettant aux robots de rechercher activement des objets cibles dans un environnement complexe.

Nous ne vivons peut-être pas dans le futur rempli de robots dont rêvaient autrefois les futuristes, mais nous nous en rapprochons. Les haut-parleurs avec des assistants virtuels à l'intérieur et les robots aspirateurs sont monnaie courante, et nous devrions nous attendre à encore plus de bots envahissant la maison au cours de la prochaine décennie.

L'un des obstacles auxquels les développeurs sont actuellement confrontés est d'apprendre aux robots à manœuvrer dans la maison. À cette fin, une équipe de recherche de l'Université du Michigan a publié un nouveau modèle, qui forme des robots sur les relations entre les objets domestiques.

Par exemple, un robot peut être chargé de prendre le linge du panier à l'étage et de le déplacer dans la machine à laver. Avec le modèle, il peut être formé pour comprendre où se trouvent à la fois le panier et la machine, éliminant ainsi le besoin de déplacer le robot manuellement.

"Être capable de rechercher efficacement des objets dans un environnement est crucial pour que les robots de service effectuent des tâches de manière autonome", a déclaré Zhen Zeng, co-auteur de l'étude. "Nous fournissons une méthode pratique qui permet au robot de rechercher activement des objets cibles dans un environnement complexe. ."

Le modèle, appelé SLiM (Semantic Linking Maps), associe des objets repères, comme un réfrigérateur, à d'autres objets connexes, comme un carton de jus d'orange ou de mayonnaise. À partir de là, si un robot est invité à nettoyer la table, il saura remettre les articles du réfrigérateur à leur place.

Les chercheurs ont déclaré que SLiM tient compte de l'incertitude, par exemple si le panier à linge a été déplacé, il ne s'arrêtera pas de fonctionner, bien que cela puisse prendre plus de temps pour trouver le nouvel emplacement.

Ce renouvellement actif des localisations géographiques et des relations entre les objets devrait améliorer les performances à long terme des robots, qui risqueraient autrement de s'arrêter constamment en raison d'un changement de l'environnement.

Le Roomba a été un moment décisif en termes de robots ménagers, et la plupart des robots lancés après en ont copié le design et les fonctionnalités. Cependant, les robots présentés par l'équipe du Michigan sont bien plus sophistiqués, capables de ramasser des objets et d'effectuer des tâches.

Nous sommes encore à quelques années de ces types de robots, bien que des recherches comme celle-ci montrent que c'est définitivement dans le pipeline.