![](\"https:\/\/oaidalleapiprodscus.blob.core.windows.net\/private\/org-PXteLUy4B6mslwRon6h7ri9z\/user-0jfma6aPNvZyLXZUbw4CmvZG\/img-rHhgkqDT9yL0s7pQ9lrMIFFa.png?st=2024-05-23T12%3A45%3A35Z&se=2024-05-23T14%3A45%3A35Z&sp=r&sv=2021-08-06&sr=b&rscd=inline&rsct=image\/png&skoid=6aaadede-4fb3-4698-a8f6-684d7786b067&sktid=a48cca56-e6da-484e-a814-9c849652bcb3&skt=2024-05-23T10%3A22%3A10Z&ske=2024-05-24T10%3A22%3A10Z&sks=b&skv=2021-08-06&sig=Z3YaNmmSHk4lKbN689PFnGzWofObFB2ewOzDhItteeE%3D\")
<\/p>\n<\/p>\n
Apprendre en simulation et appliquer la politique apprise dans le monde r\u00e9el est une approche potentielle pour permettre aux robots g\u00e9n\u00e9ralistes de r\u00e9soudre des t\u00e2ches de prise de d\u00e9cision complexes. Cependant, l’un des d\u00e9fis est de combler les \u00e9carts entre la simulation et la r\u00e9alit\u00e9 (sim-to-real). De plus, une grande quantit\u00e9 de donn\u00e9es est n\u00e9cessaire pour apprendre \u00e0 r\u00e9soudre ces t\u00e2ches, ce qui augmente la charge de collecte de donn\u00e9es en temps r\u00e9el avec des robots physiques. Il devient donc crucial de transf\u00e9rer et de d\u00e9ployer sans heurts les politiques de contr\u00f4le des robots dans le mat\u00e9riel du monde r\u00e9el en utilisant l’apprentissage par renforcement (RL).<\/p>\n
Les simulations bas\u00e9es sur la physique sont utilis\u00e9es comme moteur pour d\u00e9velopper des comp\u00e9tences robotiques malgr\u00e9 les lacunes persistantes. Une approche actuelle consiste \u00e0 inclure l’identification du syst\u00e8me, la randomisation du domaine, l’adaptation au monde r\u00e9el et l’augmentation du simulateur pour les \u00e9carts sim-to-real. Le transfert r\u00e9ussi sim-to-real inclut la locomotion et la manipulation non pr\u00e9hensile, parmi d’autres performances vari\u00e9es.<\/p>\n
Les chercheurs de l’Universit\u00e9 de Stanford ont propos\u00e9 TRANSIC, une m\u00e9thode bas\u00e9e sur les donn\u00e9es pour permettre le transfert sim-to-real des politiques en utilisant un cadre humain-dans-la-boucle. TRANSIC permet aux humains d’am\u00e9liorer les politiques de simulation pour combler plusieurs \u00e9carts non mod\u00e9lis\u00e9s sim-to-real par le biais d’interventions et de corrections en ligne. Les corrections humaines aident \u00e0 apprendre des politiques r\u00e9siduelles int\u00e9gr\u00e9es aux politiques de simulation pour une auto-ex\u00e9cution. TRANSIC a montr\u00e9 une r\u00e9ussite notable dans les t\u00e2ches de manipulation complexes, atteignant un taux de succ\u00e8s moyen de 77% pour diff\u00e9rents paires simulation-r\u00e9alit\u00e9.<\/p>\n
Les r\u00e9sultats de TRANSIC incluent l’apprentissage de comp\u00e9tences r\u00e9utilisables, l’op\u00e9ration en autonomie compl\u00e8te une fois le m\u00e9canisme de s\u00e9paration appris, et la gestion des observations partielles et des donn\u00e9es de correction. Il surpasse \u00e9galement IWR, la meilleure m\u00e9thode de r\u00e9f\u00e9rence, en termes d\u2019\u00e9volutivit\u00e9 des donn\u00e9es humaines.<\/p>\n
En conclusion, TRANSIC, d\u00e9velopp\u00e9 par les chercheurs de Stanford, utilise une m\u00e9thode humaine-dans-la-boucle pour traiter les transferts de politique sim-to-real dans les t\u00e2ches de manipulation. Toutefois, des limitations existent, notamment l’exclusivit\u00e9 aux sc\u00e9narios sur table et la n\u00e9cessit\u00e9 d’un op\u00e9rateur humain pendant la collecte des donn\u00e9es de correction.<\/p>\n","protected":false},"excerpt":{"rendered":"
Apprendre en simulation et appliquer la politique apprise dans le monde r\u00e9el est une approche potentielle pour permettre aux robots g\u00e9n\u00e9ralistes de r\u00e9soudre des t\u00e2ches de prise de d\u00e9cision complexes. Cependant, l’un des d\u00e9fis est de combler les \u00e9carts entre la simulation et la r\u00e9alit\u00e9 (sim-to-real). De plus, une grande quantit\u00e9 de donn\u00e9es est n\u00e9cessaire […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-61","post","type-post","status-publish","format-standard","hentry","category-uncategorized"],"yoast_head":"\n