Institut multidisciplinaire d'intelligence artificielle

BIAIS INDUCTIFS POUR L'APPRENTISSAGE PAR RENFORCEMENT ROBOTIQUE

RÉSUMÉ

Les robots autonomes capables d'aider les humains dans les situations de la vie quotidienne sont une vision de longue date de la robotique, de l'intelligence artificielle et des sciences cognitives. Une première étape vers cet objectif consiste à créer des robots capables d'apprendre des tâches déclenchées par le contexte environnemental ou des instructions de niveau supérieur. Cependant, les techniques d'apprentissage n'ont pas encore tenu cette promesse, car seules quelques méthodes parviennent à s'adapter aux manipulateurs ou aux robots humanoïdes de grande dimension. Dans cette présentation, nous étudions un cadre général adapté à l'apprentissage des compétences motrices en robotique, qui est basé sur les principes qui sous-tendent de nombreuses approches de la robotique analytique. Pour réaliser l'apprentissage par renforcement robotique à partir de quelques essais seulement, le système d'apprentissage ne peut plus explorer toutes les solutions apprenables, mais doit donner la priorité à une solution par rapport aux autres - indépendamment des données observées. Une telle priorisation nécessite des hypothèses explicites ou implicites, souvent appelées "biais d'induction" dans l'apprentissage automatique. L'extrapolation à de nouvelles tâches d'apprentissage robotique nécessite des biais d'induction profondément enracinés dans les principes généraux et les connaissances du domaine de la robotique, de la physique et du contrôle. Des évaluations empiriques sur plusieurs systèmes robotiques illustrent l'efficacité et l'applicabilité à l'apprentissage du contrôle sur un bras robotique anthropomorphe. Ces compétences motrices robotiques vont d'exemples simples (par exemple, faire rouler une balle, balle dans une tasse) à jouer au tennis de table robotique, jongler et manipuler divers objets.

JAN PETERS

Jan Peters est professeur titulaire (W3) en Systèmes Autonomes Intelligents au département d'informatique de l'Université Technique de Darmstadt depuis 2011, et, en même temps, il est le chef du département de recherche sur l'IA des Systèmes pour l'Apprentissage Robotique (SAIROL) au Centre Allemand de Recherche sur l'Intelligence Artificielle (Deutsches Forschungszentrum für Künstliche Intelligenz, DFKI) depuis 2022. Il est également membre fondateur du corps professoral de recherche du Centre Hessien pour l'Intelligence Artificielle. Jan Peters a reçu le prix Dick Volz Best 2007 US PhD Thesis Runner-Up Award, le Robotics: Science & Systems - Early Career Spotlight, le INNS Young Investigator Award, et le IEEE Robotics & Automation Society's Early Career Award ainsi que de nombreux prix du meilleur article. En 2015, il a reçu une bourse de démarrage ERC et en 2019, il a été nommé IEEE Fellow, en 2020 ELLIS fellow et en 2021 AAIA fellow.

Bien qu'il ne soit membre du corps professoral de la TU Darmstadt que depuis 2011, Jan Peters a déjà formé une série de jeunes chercheurs exceptionnels qui ont connu des carrières réussies. Il s'agit notamment de nouveaux membres du corps professoral dans des universités de premier plan aux États-Unis, au Japon, en Allemagne, en Finlande et en Hollande, de chercheurs postdoctoraux dans les meilleurs départements d'informatique (notamment le MIT, CMU et Berkeley) et de jeunes leaders dans les meilleures entreprises d'IA (notamment Amazon, Boston Dynamics, Google et Facebook/Meta).
Jan Peters a étudié l'informatique, l'électricité, la mécanique et l'ingénierie du contrôle à la TU Munich et à la FernUni Hagen en Allemagne, à l'Université Nationale de Singapour (NUS) et à l'Université de Californie du Sud (USC). Il a obtenu quatre masters dans ces disciplines ainsi qu'un doctorat en informatique de l'USC. Jan Peters a effectué des recherches en Allemagne au DLR, à la TU Munich et à l'Institut Max Planck de Cybernétique Biologique (en plus des institutions mentionnées ci-dessus), au Japon au Centre de Recherche Avancée en Télécommunication (ATR), à l'USC et à la NUS et à Siemens Advanced Engineering à Singapour. Il a dirigé des groupes de recherche sur l'apprentissage automatique pour la robotique aux Instituts Max Planck de Cybernétique Biologique (2007-2010) et de Systèmes Intelligents (2010-2021).