La population mondiale vieillit à un rythme rapide avec des implications mondiales. Les politiques publiques jouent un rôle clé dans la réduction des conséquences socio-économiques du changement démographique. Mais de plus en plus d’acteurs pensent que les avancées en matière de capacités robotiques seront essentielles pour permettre aux personnes de rester en place plus longtemps et de vivre une vie de meilleure qualité.
Selon les données de World Population Prospects : Révision 2019, d’ici 2050, une personne sur six dans le monde aura plus de 65 ans (16%), une hausse par rapport à une sur 11 en 2019 (9%). D’ici 2050, une personne sur quatre vivant en Europe et en Amérique du Nord pourrait avoir 65 ans ou plus. En 2018, pour la première fois de l’histoire, les personnes âgées de 65 ans et plus étaient plus nombreuses que les enfants de moins de cinq ans dans le monde. Le nombre de personnes âgées de 80 ans et plus devrait tripler, passant de 143 millions en 2019 à 426 millions en 2050.
Le Toyota Research Institute (TRI) se concentre sur la création et la démonstration des avancées technologiques nécessaires à la réalisation de robots d’assistance à domicile. En 2015, l’entreprise a montré que la clé pour l’ explosion de la robotique réside dans la combinaison de la robotique dans le Cloud et de l’AI. C’est ce qu’on appelle l’apprentissage de la flotte (Fleet Learning) : si nous permettons à un robot d’apprendre à exécuter une tâche, que ce soit d’une personne ou en simulation, puis de partager ces connaissances avec tous les autres robots, de sorte qu’ils puissent effectuer cette tâche dans de nouvelles situations, nous pouvons atteindre une augmentation exponentielle des capacités robotiques.
La simulation est un élément clé pour la réalisation de l’apprentissage d’une flotte et s’assurer la fiabilité nécessaire que les robots apprennent. Une autre possibilité est la capacité pour une personne d’enseigner à un robot comment effectuer une tâche, en tirant parti de l’intelligence humaine et de la perspicacité pour guider les capacités physiques du robot. Pour aider à motiver cet aspect de l’apprentissage de la flotte, TRI ont lancé un défi de recherche : apprendre à un robot à effectuer des tâches utiles au niveau humain dans de véritables foyers.
Utiliser et naviguer dans des environnements domestiques est très difficile pour les robots. Chaque maison est unique, avec une combinaison différente d’objets dans des configurations distinctes qui changent avec le temps. Pour traiter la diversité à laquelle un robot est confronté dans un environnement domestique, il lui apprenne à effectuer des tâches arbitraires avec une variété d’objets, plutôt que de le programmer pour qu’il exécute des tâches prédéfinies spécifiques avec des objets spécifiques. De cette manière, le robot apprend à relier ce qu’il voit aux actions qui lui sont enseignées. Lorsque le robot voit à nouveau un objet ou un scénario spécifique, même si la scène a légèrement changé, il sait quelles actions il peut effectuer par rapport à ce qu’il voit.
Il enseignent le robot en utilisant un système de téléprésence immersif, reflétant ce que le robot fait. L’enseignant voit ce que le robot voit en direct, en 3D, à partir de ses capteurs. L’enseignant peut sélectionner différents comportements à instruire, puis annoter la scène 3D, par exemple en associant des parties de la scène à un comportement, en spécifiant comment saisir une poignée ou en traçant la ligne définissant l’axe de rotation d’une porte d’armoire. Lorsqu’elle enseigne une tâche, une personne peut essayer différentes approches en utilisant sa créativité pour utiliser les mains et les outils du robot. Cela facilite l’utilisation et l’utilisation de différents outils, permettant aux humains de transférer rapidement leurs connaissances au robot pour des situations spécifiques.
Les robots, comme la plupart des voitures automatisées, perçoivent en permanence leur environnement, prédisent un chemin sûr, puis calculent un plan de mouvements basé sur cette compréhension. À l’autre extrémité du spectre, de nouvelles méthodes d’apprentissage en profondeur calculent les actions motrices de bas niveau directement à partir des entrées visuelles, ce qui nécessite une quantité importante de données du robot effectuant la tâche.
Leur système d’enseignement n’a besoin que de comprendre les éléments qui l’entourent et qui sont pertinents pour le comportement adopté. Au lieu de lier les actions motrices de bas niveau à ce qu’il voit, il utilise des comportements de niveau supérieur. En conséquence, le système (TRI) n’a pas besoin de modèles d’objet ni de cartes préalables. On peut apprendre à associer un ensemble donné de comportements à des scènes, objets et commandes vocales arbitraires à partir d’une seule démonstration du comportement.
Ce robot est spécialement conçu pour faciliter son enseignement et l’exécution de ces tâches. Comme une personne, il dispose de nombreux degrés de liberté redondants, garantissant que le robot peut déplacer ses mains comme il le souhaite, quand il le souhaite, en ajustant toute sa posture corporelle pour s’adapter aux mouvements. Le robot dispose également d’un ensemble de caméras visuelles et de profondeur avec un très large champ de vision. Cela fournit une quantité importante de contexte à la fois à la personne enseignant le robot et au robot lui-même.
L’enseignement et les tests ont lieu dans des maisons réelles. Ceci est essentiel pour atteindre une capacité et une fiabilité suffisantes. Les robots sont des prototypes de recherche et TRI sélectionne pour lui des tâches et font progresser le développement d’algorithmes plutôt que de démontrer les concepts de produits. Avec les connaissances acquises grâce à leurs expériences, ils ajustent constamment leur approche des problèmes, tant matériels que logiciels. À l’heure actuelle, leur système peut exécuter avec succès une tâche relativement complexe au niveau humain environ 85% du temps. Cela implique de laisser le robot réessayer automatiquement s’il reconnaît qu’il a échoué sous un comportement spécifique. Chaque tâche est composée d’environ 45 comportements indépendants, ce qui signifie que chaque comportement individuel aboutit à un succès ou à un échec récupérable 99,6% du temps.
Leur approche pourrait facilement s’étendre au-delà des maisons et être appliquée à d’autres environnements. Par exemple, une personne peut apprendre rapidement et à distance à un bras industriel installé dans une usine à effectuer des tâches de fabrication répétitives, ou ajuster rapidement une tâche de pick-move-pack pour un robot de logistique. Une des principales limites de leur approche est que les tâches enseignées ne peuvent pas être généralisées à d’autres robots ou à des situations différentes.