L'équipe a personnalisé un bras robotique ABB IRB 120 conforme aux normes de l'industrie, puis mettre en place une tour Jenga à portée du robot, et a commencé une période d'entraînement au cours de laquelle le robot a d'abord choisi un bloc aléatoire et un emplacement sur le bloc contre lequel pousser. Il a ensuite exercé une petite force pour tenter de pousser le bloc hors de la tour.

Pour chaque tentative de blocage, un calculateur a enregistré les mesures visuelles et d'effort associées, et étiqueté si chaque tentative a été un succès.

Plutôt que d'effectuer des dizaines de milliers de telles tentatives (ce qui impliquerait de reconstruire la tour presque autant de fois), le robot entraîné sur à peu près 300, avec des tentatives de mesures et de résultats similaires regroupés en groupes représentant certains comportements de bloc. Par exemple, un groupe de pourrait représenter des tentatives sur un bloc difficile à déplacer, contre un qui était plus facile à déplacer, ou qui a renversé la tour lorsqu'il a été déplacé. Pour chaque cluster de données, le robot a développé un modèle simple pour prédire le comportement d'un bloc compte tenu de ses mesures visuelles et tactiles actuelles.

Fazeli dit que cette technique de regroupement augmente considérablement l'efficacité avec laquelle le robot peut apprendre à jouer au jeu, et s'inspire de la manière naturelle dont les humains regroupent des comportements similaires :"Le robot construit des clusters puis apprend des modèles pour chacun de ces clusters, au lieu d'apprendre un modèle qui capture absolument tout ce qui pourrait arriver."

S'empiler

Les chercheurs ont testé leur approche par rapport à d'autres algorithmes d'apprentissage automatique de pointe, dans une simulation informatique du jeu à l'aide du simulateur MuJoCo. Les leçons apprises dans le simulateur ont informé les chercheurs de la façon dont le robot apprendrait dans le monde réel.

"Nous fournissons à ces algorithmes les mêmes informations que notre système obtient, pour voir comment ils apprennent à jouer au Jenga à un niveau similaire, " dit Oller. " Par rapport à notre approche, ces algorithmes doivent explorer des ordres de grandeur plus de tours pour apprendre le jeu."

Curieux de savoir comment leur approche d'apprentissage automatique se compare à de vrais joueurs humains, l'équipe a effectué quelques essais informels avec plusieurs volontaires.

"Nous avons vu combien de blocs un humain était capable d'extraire avant que la tour ne tombe, et la différence n'était pas si grande, " dit Oller.

Mais il reste encore du chemin à parcourir si les chercheurs veulent opposer leur robot de manière compétitive à un joueur humain. En plus des interactions physiques, Jenga a besoin de stratégie, comme extraire juste le bon bloc qui rendra difficile pour un adversaire de retirer le prochain bloc sans renverser la tour.

Pour l'instant, l'équipe est moins intéressée par le développement d'un champion robotique Jenga, et plus axé sur l'application des nouvelles compétences du robot à d'autres domaines d'application.

"Il y a beaucoup de tâches que nous effectuons avec nos mains où le sentiment de le faire 'de la bonne manière' vient dans le langage des forces et des indices tactiles, " dit Rodriguez. " Pour des tâches comme celles-ci, une approche similaire à la nôtre pourrait le comprendre."

Cette recherche a été soutenue, en partie, par la National Science Foundation par le biais de la National Robotics Initiative.