Un camp d’entraînement à l’apprentissage automatique pour les robots de terrain de la prochaine génération
Parallèlement à la robotique industrielle, qui continue de progresser à un rythme soutenu, l’intérêt pour les «robots de terrain» augmente pour les professions qui dépendent d’opérations manuelles répétitives, dangereuses ou éloignées. Par exemple, les robots miniers peuvent cartographier les passages inondés et analyser les concentrations de minéraux, tandis que les robots agricoles peuvent cueillir les fruits et traire les vaches. Toutefois, pour une adoption plus large, il faudra réduire les coûts de fabrication et d’exploitation des robots de terrain et étendre leurs capacités, principalement dans les domaines de la détection, de la perception et du contrôle. «Les robots industriels fonctionnent dans des environnements plus structurés, tels que les usines, et sont donc plus faciles à concevoir et à utiliser. Les robots de terrain doivent s’adapter à une plus grande imprévisibilité pour accomplir leurs tâches», explique Hugo Silva, coordinateur du projet DEEPFIELD, financé par l’UE. «Bien que les stratégies d’apprentissage profond axées sur les données puissent contribuer à atteindre cet objectif, la manière dont ces techniques sont appliquées dans les activités robotiques du monde réel présente encore des limites.» DEEPFIELD a permis à des chercheurs en début de carrière (CDC) du Centre de robotique et de systèmes autonomes de l’INESC TEC, l’hôte du projet, d’examiner différentes techniques d’apprentissage profond pour doter les robots de terrain de l’autonomie et de l’adaptabilité nécessaires pour opérer avec succès dans des environnements difficiles. Parmi les réussites notables, les chercheurs ont démontré comment les méthodes d’apprentissage profond pouvaient aider à détecter les déchets marins depuis l’espace grâce à des systèmes d’imagerie hyperspectrale, et ont utilisé les technologies d’imagerie pour permettre aux robots d’établir leur position et leur orientation lorsqu’ils sont sous l’eau.
Trouver le meilleur algorithme d’apprentissage profond pour la tâche à accomplir
Afin de soutenir les ambitions de l’UE pour «l’avenir numérique de l’Europe», DEEPFIELD a été conçu pour donner à ses CDC une exposition pratique variée aux techniques robotiques d’apprentissage profond. En se concentrant sur un problème robotique particulier pour lequel l’apprentissage profond pourrait s’avérer utile, les chercheurs ont d’abord collecté des données directes ou utilisé un environnement de simulation, puis, après l’analyse des données, ont expérimenté différentes solutions algorithmiques, avant d’évaluer les résultats. «L’éventail des approches d’apprentissage profond et des tâches à accomplir était suffisamment large pour nous donner une bonne base couvrant une variété de solutions pour construire des robots de nouvelle génération adaptables», explique Hugo Silva. Tout au long du projet, les chercheurs ont travaillé avec de nombreux types de robots: voitures autonomes au sol, drones (UAV pour «unmanned aerial vehicle»), véhicules sous-marins téléopérés (ROV) et robots autonomes sous-marins (AUV pour «autonomous underwater vehicle»). Les chercheurs ont visité les installations des membres du consortium: université de Gérone (Espagne), université Heriot-Watt (Écosse), Institut Max Planck (Allemagne) et Politecnico di Milano (Italie), où chacun a organisé des ateliers thématiques, des cours d’été, des missions scientifiques de courte durée et des activités de mentorat. «Après avoir passé du temps à apprendre les bases et à travailler avec des experts dans un domaine spécifique dans les installations d’un partenaire, nous avons testé des logiciels ou des algorithmes en utilisant de vrais robots dans les universités d’été», explique Ana Paula Lima, gestionnaire de projet. Par exemple, l’université de Gérone s’est concentrée sur la manipulation sous-marine, les chercheurs apprenant le codage pertinent pour le simulateur Stonefish, qu’ils ont ensuite employé pour effectuer des manœuvres d’inspection à l’aide d’un AUV/ROV.
En pole position pour les robots de terrain de la prochaine génération
Le projet a également donné aux CDC de nombreuses occasions de travailler en réseau pour leur propre développement professionnel et d’étendre le partage des connaissances de l’INESC TEC avec des acteurs clés dans ce domaine. L’équipe a ainsi eu l’occasion de présenter ses travaux. Par exemple, lors d’une visite à la station de recherche NY-Alesund du pôle arctique, au Svalbard, deux robots de l’INESC TEC ont été testés, démontrant ainsi les capacités de l’équipe. «Les réactions ont été si encourageantes que, quelques semaines plus tard, l’INESC TEC a soumis une proposition à la CE, qui incluait les nouveaux contacts établis au cours de cette visite», note Ana Paula Lima. Le fait de disposer d’une jeune équipe plus qualifiée et plus motivée s’est avéré une aubaine pour l’INESC TEC dans sa poursuite de projets supplémentaires dans des domaines allant de la défense et de la sécurité à l’environnement et aux ressources énergétiques offshore, où les chercheurs sont maintenant prêts à appliquer leurs connaissances nouvellement acquises.
Mots‑clés
DEEPFIELD, algorithme, apprentissage automatique, robots, apprentissage profond, autonomie, données, sous-marin, déchets
