Conférence sur la robotique. Pourquoi les robots sauveront le monde ? Eloge des systèmes autonomes. Intelligence Artificielle au service de la robotique. Robotique en essaim

1. Conférence
Robotique et systèmes
autonomes
Thierry Berthier
Pilote du groupe Sécurité IA du Hub France IA

2. Plan
I - Petite et grande histoire de la robotique
II - La robotique s’inscrit dans toutes les dynamiques des convergences technologiques
NBIC, CKTS, MI, DIADEH
III - Comment les robots apprennent ?
IV – Eloge des systèmes robotisés autonomes
V – La robotique et ses imaginaires

3. I
Petite et grande histoire de la robotique

4. Les racines de la robotique se
trouvent dans la mythologie
grecque
Héphaïstos, l’illustre artisan,
Dieu infirme de la robotique
et de l’homme augmenté

5. Dans la mythologie grecque, Héphaïstos, l’illustre artisan, est un dieu infirme, difforme
et boiteux. C’est aussi un extraordinaire concepteur d’automates et de créatures
artificielles imitant la vie qu’il met au service des dieux. Héphaïstos et le temps du
Kronos Héphaïstos sait forger et animer des mécanismes complexes. Il a construit des
trépieds capables de se déplacer de manière autonome (automatoï) pour se rendre à
l’assemblée des dieux ainsi que les fameuses portes de l’Olympe qui s’ouvrent d’elles-
mêmes. Selon des sources antiques, il a fabriqué des servantes d’or qui l’assistent dans
ses travaux, puis six charmeuses d’or accompagnées de chiens gardiens du palais
d’Alkinoos, de chevaux forgés pour le char des Cabires, d’un aigle fabriqué pour Zeus et
du géant de bronze Talos laissé à Minos pour garder l’île de Crète. Créés pour accomplir
une tâche précise qu’ils exécutent à la perfection, les automates d’Héphaïstos construits
sur le modèle d’objets usuels, d’animaux ou d’êtres humains deviennent les auxiliaires
des dieux. Dans la société divine où les Olympiens ne connaissent ni peine ni contrainte,
les créations animées d’Héphaïstos remplacent les esclaves des sociétés humaines pour
accomplir les tâches les plus répétitives et rébarbatives. Les automates donnent à la
communauté des dieux et à la première race humaine la possibilité de mener une
existence idéale, dénuée d’effort, préservée des souffrances et des malheurs. Cette
période idyllique, appelée « temps du Kronos », est celle d’une agriculture prospère qui
ne demande aucun effort et d’une production de richesses et de ressources totalement
automatisée. On notera que les automates du temps du Kronos rendent inutiles
l’esclavage et le travail humain.

16. Histoire de l’Intelligence Artificielle

17. Evolution de la robotique HONDA

18. Gamme
Boston Dynamics

20. II
La robotique s’inscrit dans toutes les dynamiques des
convergences technologiques : NBIC, CKTS, MI, DIADEH

21. Isaac Asimov (1920-1992) définit en 1941 les trois premières lois de la robotique

23. Convergence of knowledge and technology for the
benefit of society (CKTS)

29. III
Comment les robots apprennent ?

30. Vision par ordinateur (Computer Vision)
La computer vision est très étroitement liée à la
vision industrielle qui a permis l'émergence des
systèmes de guidage robotique et d'inspection
automatique. La différence réside dans
la cinématique appliquée à la vision du robot, qui
englobe l'étalonnage du cadre de référence et la
capacité d'un robot à agir physiquement sur son
environnement. Les données massives (photos et des
vidéos annotées / étiquetées) disponibles en ligne et
les progrès du hardware (GPU, TPU) ont contribué
aux progrès de la vision par ordinateur et à d'autres
techniques d'apprentissage de prédiction structurée,
identification et tri d'objets. Les technologies
extrasensorielles telles que le radar, le lidar et les
ultrasons, comme celles de Nvidia sont également à
l'origine du développement de systèmes basés sur la
vision à 360 degrés pour les véhicules autonomes et
les drones.

31. Apprentissage par imitation et renforcement
L'apprentissage par imitation est lié à l'apprentissage par observation que l’on retrouve dans le processus
d’apprentissage des bébés dès leur naissance. L’apprentissage par imitation est également lié à
l'apprentissage par renforcement, ou l’on cherche à amener un agent à agir dans son environnement afin de
maximiser ses récompenses.
Les modèles bayésiens ou probabilistes sont une caractéristique commune de cette approche d'apprentissage
automatique. Dès 1999, les équipes de chercheurs ont montré que l'apprentissage par imitation pouvait être utilisé
pour des robots actifs dans un certain environnement.
L'apprentissage par imitation est devenu une partie intégrante de la robotique de terrain pour laquelle le contexte
d’interaction est complexe, par exemple pour des robots dédiés à la construction, à l'agriculture, à la recherche et au
sauvetage.
La complexité du terrain rend difficile une programmation « rigide » du robot déployé. Cette approche s’appuie sur les
méthodes de contrôle optimal inverse, ou « programmation par démonstration », qui ont été appliquées aux
domaines de la robotique humanoïde, de la robotique quadrupède et polypède et de la robotique de surface
(marine).
Les réseaux de croyances bayésiennes ont également été appliqués à des modèles d'apprentissage avancé, dans
lesquels un robot apprend sans connaissance a priori de son système moteur ou de l'environnement ( motor babbling,
Bert, le robot humanoïde «iCub»).

32. Robot humanoïde utilisant l'apprentissage par imitation pour acquérir différentes techniques de saisie d’un objet -
Université de l’Arizona - source vidéo : https://vimeo.com/92149421

33. Apprentissage auto-supervisé
Les approches d'apprentissage auto-supervisées permettent aux robots de générer leurs propres exemples de formation
afin d'améliorer leurs performances. Cette stratégie d’apprentissage inclut l'utilisation d'une formation a priori et de
données captées à courte distance pour interpréter les « données de capteur ambiguës à longue portée ». L’apprentissage
auto-supervisé a été intégré dans des robots et des dispositifs optiques capables de détecter des éléments contextuels
(poussière et neige, par exemple) d’identifier les obstacles en terrain accidenté, d’analyser en temps réel des scènes 3D et
de modéliser de la dynamique des véhicules.
Watch-Bot est un exemple concret, créé par une équipe de recherche de Cornell et Stanford, qui utilise un capteur 3D (un
Kinect), une caméra, un ordinateur portable et un pointeur laser pour détecter `` l'activité humaine normale '', qui sont des
modèles qu'il apprend grâce à des méthodes probabilistes. Watch-Bot utilise un pointeur laser pour cibler l'objet comme
un rappel (par exemple, le lait qui a été laissé hors du réfrigérateur). Lors des premiers tests, le robot a réussi à rappeler
aux humains dans 60% des cas. (sachant qu’il n'a aucune idée de ce qu'il fait ni pourquoi il fait). Les essais ont ensuite été
étendus en permettant au robot d'apprendre à partir de vidéos en ligne (projet RoboWatch ). D'autres exemples de
méthodes d'apprentissage auto-supervisées appliquées en robotique incluent un algorithme de détection de route via une
caméra monoculaire de face avec un modèle de distribution probabiliste de la route (RPDM) et des machines à vecteurs de
support flou (FSVM), conçus par le MIT pour les véhicules autonomes sur route. L'apprentissage autonome, qui est une
variante de l'apprentissage auto-supervisé impliquant un apprentissage en profondeur et des méthodes non supervisées, a
également été appliqué aux fonctions robotisées et de contrôle.

34. Apprentissage auto-supervisé
Une équipe de l'Imperial College de Londres,
en collaboration avec des chercheurs de
l'Université de Cambridge et de l'Université
de Washington, a créé une nouvelle
méthode pour accélérer l'apprentissage qui
intègre l'incertitude du modèle (un modèle
probabiliste) dans la planification à long
terme et l'apprentissage des contrôleurs,
réduisant ainsi l'effet d'erreur de modèle
lors de l'apprentissage d'une nouvelle
compétence.
Apprentissage automatique auto-supervisé :
https://www.youtube.com/watch?v=swx5dxFH9m8&feature=emb_rel_end

35. Apprentissage multi-agents
L’apprentissage multi-agents s’appuie sur la coordination et la
négociation entre agents. Cette technique a été largement
appliquée aux jeux. Les agents robots sont capables de s'adapter à
un environnement changeant et aux autres robots / agents pour
produire ou faire émerger des stratégies de coopération en essaim.
Un exemple concret est un algorithme pour les agents distribués ou
les robots créé par une équipe de recherche du MIT pour les
systèmes d'information et de décision (2014). Les robots ont
collaboré pour construire un modèle d'apprentissage plus
performant et plus inclusif que ce qui pourrait être fait avec un
robot (petits morceaux d'informations traitées puis combinées).
Cette méthode s’applique à l’exploration d’un bâtiment, de son
agencement pour construire de manière autonome une base de
connaissances. Chaque robot a construit son propre catalogue et,
combiné avec les ensembles de données d'autres robots,
l'algorithme distribué a surpassé l'algorithme standard pour créer
cette base de connaissances. Bien qu'il ne s'agisse pas d'un système
parfait, ce type d'approche d'apprentissage automatique permet
aux robots de comparer des catalogues ou des ensembles de
données, de renforcer les observations mutuelles et de corriger les
omissions ou les généralisations excessives.

37. IV
Eloge des systèmes robotisés autonomes

38. Eloge de l’autonomie
Le 21 eme siècle est celui de la robotique autonome, c’est le temps du Kronos et de la
Société 5.0
Société 1.0 des chasseurs-cueilleurs,
Société 2.0 de l'agriculture,
Société 3.0 de l’industrie,
Société 4.0 de l’information,
Société 5.0 : smart society, robotique ubiquitaire

39. Eloge de l’autonomie
On peut désormais ajouter aux trois lois d’Azimov une liste de
missions d’intérêts supérieurs :
La robotique autonome œuvre pour éloigner l’homme du risque
pour garantir sa survie, pour explorer et dépolluer sa planète

40. Eloge de l’autonomie
Eloigner l’homme du
risque
Incendies

41. Eloge de l’autonomie
Eloigner l’homme du
risque
Déminage

42. Eloge de l’autonomie
Eloigner l’homme du
risque
Décontamination

43. Eloge de l’autonomie
Eloigner l’homme du
risque
Evacuation sanitaire et
logistique

44. Eloge de l’autonomie
Eloigner l’homme du
risque
Contexte radiologique

45. Eloge de l’autonomie
Eloigner l’homme du
risque
Secourisme en mer et
en montagne

46. Eloge de l’autonomie
Approvisionner
Et livrer partout, tout
le temps

47. Eloge de l’autonomie
Construire et produire

48. Eloge de l’autonomie
Transporter
Amazon

49. Eloge de l’autonomie
Transporter
Première autoroute chinoise (163 km) réservée aux véhicules autonomes

50. Eloge de l’autonomie
Transporter
VERA – VOLVO Autonomous Truck

51. Eloge de l’autonomie
Transporter
Tramway autonome - Chine

52. Eloge de l’autonomie
Transporter
Avion Taxi autonome – LILIUM JET - Allemagne

53. Eloge de l’autonomie
Soigner

54. Eloge de l’autonomie
Soigner

55. Eloge de l’autonomie
Cultiver, traiter,
récolter

56. Eloge de l’autonomie
Cultiver, traiter,
récolter

57. Eloge de l’autonomie
Cultiver, traiter,
récolter

58. Eloge de l’autonomie
Dépolluer
Tour robotisée de dépollution de l’air (100 mètres) – Chine
https://www.sciencesetavenir.fr/nature-environnement/pollution/pollution-en-chine-une-tour-
de-100-metres-pour-epurer-l-air_120268

59. Eloge de l’autonomie
Dépolluer

60. Eloge de l’autonomie
Dépolluer

61. Eloge de l’autonomie
Dépolluer

62. Eloge de l’autonomie
Explorer

63. Eloge de l’autonomie
Explorer

64. Eloge de l’autonomie
Explorer

65. Eloge de l’autonomie
Explorer
Robot minier sous-marin C-Ray – autonome en essaim – MIT USA 2020

66. Eloge de l’autonomie
Explorer
Rover spatial OPPORTUNITY sur Mars (février 2019)

67. V
La robotique et ses imaginaires

71. The Uncanny Valley (La vallée dérangeante) - Réaction émotionnelle de sujets humains face à l’anthropomorphisme
d’un robot, d’après Masahiro Mori.

75. On observe d’importants écarts parmi les 28 pays-membres entre les pays qui
accueillent le plus positivement l’IA et ceux qui sont les plus réservés.
Les 28 pays-membres peuvent être classés en quatre groupes :
Les plus positifs vis-à-vis de l’IA (moins de 20 % de jugements négatifs) : on y retrouve
les pays scandinaves.
Les moyennement positifs (entre 20 % et 30 % de jugements négatifs) : on y retrouve,
notamment, la Pologne, le RoyaumeUni et l’Italie.
Les réservés : (entre 30 % et 40 % de jugements négatifs) : on y retrouve, notamment,
l’Allemagne, l’Autriche, l’Espagne, la Belgique, la Hongrie et la France.
Les plus réservés : (plus de 40 % et plus de jugements négatifs) : on y retrouve,
notamment, la Grèce et le Luxembourg.

76. 74 % des Européens pensent que « l’utilisation des robots et de l’intelligence
artificielle va supprimer plus d’emplois qu’elle ne va en créer » : 75 % en France
et en Italie, 72% en Allemagne, 67% au Royaume-Uni, 89% en Espagne.
88 % des Européens estiment que « les robots et l’intelligence artificielle sont
des technologies qui nécessitent d’être gérées avec prudence » : 93 % en
France.
Nous devons faire évoluer les scores français de défiance envers l’IA et la
robotique

77. Liens
https://www.infineon.com/cms/en/discoveries/fundamentals-robotics/
https://twitter.com/hashtag/Robotics?src=hashtag_click&f=live
RL & Robotics :
https://www.zdnet.com/article/way-beyond-alphazero-berkeley-and-google-work-shows-robotics-may-be-the-deepest-machine-learning-of-all/
Agriculture de précision et robotique :
https://everyone.plos.org/2021/03/16/introducing-the-plant-phenomics-precision-agriculture-collection/
https://advances.sciencemag.org/content/6/5/eaaz3194
Propulsion médusesBot pour exploration des océans
Robotique expressive :
https://www.zdnet.com/article/expressive-robotics-is-breathing-life-into-machines/
Liquid AI for Robotics
https://news.mit.edu/2021/machine-learning-adapts-0128
https://arxiv.org/pdf/2006.04439.pdf
Documentation : https://twitter.com/hashtag/Robotics?src=hashtag_click&f=live