Les humains ont longtemps été les maîtres de la dextérité, une compétence qui peut être largement attribuée à l'aide de nos yeux. Les robots, quant à eux, sont encore en train de rattraper leur retard. Certes, des progrès ont été réalisés: pendant des décennies, les robots dans des environnements contrôlés, tels que les chaînes de montage, ont pu reprendre le même objet, encore et encore.
Les percées récentes en vision par ordinateur ont permis aux robots de faire des distinctions de base entre les objets, mais malgré tout, les robots ne peuvent pas vraiment comprendre les formes des objets, ils ne peuvent donc pas faire grand chose pour les récupérer rapidement.
Laboratoire d'informatique et d'intelligence artificielle du MIT (CSAIL), les chercheurs ont rapporté dans un nouvel article qu'ils ont fait de grands progrès dans le domaine, le système peut laisser le robot vérifier des objets aléatoires et en savoir assez sur eux, et dans le cas de ne les avait jamais vu effectuer des tâches spécifiques.
Le système, baptisé "Dense Object Nets" (DON), considère les objets comme des ensembles de points servant de "cartes routières visuelles". Cette approche permet aux robots de mieux comprendre et manipuler les objets et, ce qui est le plus important, de capter même un objet spécifique parmi les objets similaires - une compétence précieuse pour les types de machines utilisés par des sociétés comme Amazon et Walmart dans leurs entrepôts. .
Par exemple, quelqu'un pourrait utiliser le DON pour permettre à un robot de saisir une position spécifique sur un objet - comme une langue. Depuis, il pouvait voir une chaussure qu'il n'avait jamais vue auparavant et avait réussi à attraper sa langue.
L’équipe étudie les applications potentielles non seulement dans l’environnement de production mais aussi à la maison. Imaginez que vous donnez au système l’image d’une maison bien rangée pour la garder propre pendant que vous travaillez ou en utilisant une image pour que le système puisse ranger votre plaque pendant que vous êtes en vacances.
Ce qui est également remarquable, c'est qu'aucune des données n'a été étiquetée par des humains. le système est plutôt "auto-supervisé", il ne nécessite donc aucune annotation humaine.
