Des chercheurs de Le MIT a développé un outil d'optimisation qui améliore les performances de pratiquement n'importe quel robot autonome pendant sa phase de conception. Les ingénieurs exécutent souvent d'innombrables simulations adaptées à des processus robotiques spécifiques pendant leur phase de conception afin d'obtenir les meilleures performances possibles lors de l'exécution des tâches. Bien que ces processus ad hoc soient conçus pour accroître l'efficacité, ils ne peuvent pas être adaptés à d'autres robots conçus pour effectuer des tâches différentes. L'équipe a surmonté ce problème en concevoir un outil polyvalent pour gagner en performance quelle que soit la plateforme autonome.
La clé de l’efficacité réside dans un cadre optimisé capable de trouver et de modifier automatiquement les systèmes autonomes pour atteindre le résultat souhaité. La base de ce code repose sur la différenciation automatique, ou « autodiff », un outil de programmation développé au sein de la communauté de l'apprentissage automatique et initialement utilisé pour entraîner les réseaux de neurones. Autodiff est une technique qui permet d'évaluer rapidement et efficacement la dérivée, ou la sensibilité au changement de n'importe quel paramètre d'un programme informatique.
"Notre méthode nous indique automatiquement comment faire de petits pas depuis une conception initiale vers une conception qui atteint nos objectifs", a expliqué Charles Dawson, étudiant diplômé du MIT. "Nous utilisons l'autodiff essentiellement pour approfondir le code qui définit un simulateur et comprendre comment effectuer cette inversion automatiquement." Les ingénieurs ont testé leur outil en utilisant deux systèmes autonomes différents. Le premier était composé d'un robot à roues chargé de planifier un chemin entre deux obstacles en fonction de signaux transmis depuis deux positions. L'équipe souhaitait trouver l'emplacement optimal pour ces balises de signalisation, dont le péage était optimisé en 5 minutes environ, au lieu des 15 qu'il faudrait habituellement.
Le deuxième système était plus complexe et impliquait une paire de robots à roues travaillant ensemble pour pousser une boîte vers une position ciblée. Une simulation de ce système a montré beaucoup plus de paramètres et de sous-systèmes par rapport à l'expérience précédente. Quoi qu’il en soit, l’outil a identifié les étapes nécessaires pour que les robots atteignent leur objectif, ce qui était 20 fois plus rapide que les autres techniques d’optimisation. Les chercheurs ont mis l'outil d'optimisation à disposition en téléchargement sur GitHub pour toute personne intéressée.
