ACME: A Multi-Cultural, Multi-Embodiment Social-Navigation Dataset
L'article présente ACME, un ensemble de données à grande échelle, multiculturel et multi-incarnation, collecté dans cinq pays pour faire progresser la recherche sur la navigation des robots sociaux en fournissant des données d'interaction diversifiées et orientées vers des objectifs qui pallient le manque de diversité culturelle et géographique des ressources existantes.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayiez d'apprendre à un robot comment marcher dans un couloir d'école bondé sans heurter personne. Il ne s'agit pas seulement d'éviter les murs ; il s'agit de comprendre la danse invisible du mouvement humain. Ce domaine s'appelle la navigation sociale. Alors qu'un robot ordinaire doit simplement aller d'un point A à un point B sans s'écraser, un robot social doit connaître les règles tacites de la foule : quand s'écarter, quelle distance est « trop proche », et de quel côté du couloir les gens préfèrent marcher. Ces règles changent selon l'endroit où vous vous trouvez dans le monde et selon l'apparence du robot. Un robot qui est poli dans un pays pourrait être impoli dans un autre, et un robot qui ressemble à un chien pourrait être traité différemment d'un robot qui ressemble à une valise. Les scientifiques s'y intéressent car, à mesure que les robots commenceront à travailler dans nos maisons, nos hôpitaux et nos rues, ils devront s'intégrer naturellement sans nous faire nous sentir mal à l'aise ou en insécurité.
Entrez en scène ACME, un nouveau projet massif qui agit comme un immense camp d'entraînement mondial pour ces robots sociaux. Les chercheurs derrière ACME ont réalisé que les données d'entraînement des robots précédentes étaient trop limitées, comme enseigner à un conducteur à conduire uniquement dans un parking calme et vide, puis attendre de lui qu'il gère une intersection chaotique à Tokyo. Pour corriger cela, l'équipe a entrepris un tour du monde, collectant des données provenant de 8 lieux différents dans 5 pays (incluant les États-Unis, le Japon, Singapour, l'Allemagne et l'Espagne). Ils n'ont pas utilisé un seul type de robot ; ils ont déployé 7 « corps » de robots différents (ou incarnations), allant de robots quadrupèdes ressemblant à des chiens à des robots valises à roues et à de grands robots de service. Ils ont enregistré plus de 29 heures de mouvements de robots à travers des foules et 43,5 heures de vidéos en vue plongeante suivant la façon dont les gens marchaient autour d'eux.
L'article suggère qu'en injectant ces données diverses et désordonnées du monde réel dans des modèles informatiques, nous pouvons apprendre aux robots à bien mieux « lire la pièce ». L'équipe a constaté que les robots entraînés sur ce nouvel ensemble de données sont confrontés à des défis bien plus difficiles que ceux entraînés sur des données plus anciennes, ce qui est en fait une bonne chose — cela signifie que les robots apprennent à gérer le monde réel et imprévisible. Ils ont également découvert que la culture compte énormément : les gens dans certains pays ont tendance à marcher à droite, tandis que d'autres préfèrent la gauche, et la façon dont les gens réagissent à un robot dépend fortement de la question de savoir si le robot ressemble à un chien amical ou à une boîte roulante. De plus, l'étude montre que les robots utilisant la parole (comme dire « Excusez-moi ») interagissent différemment avec les foules selon leur taille et leur forme. Bien que l'article ne prétende pas avoir résolu le problème de la navigation robotique parfaite, il suggère qu'ACME constitue le « manuel » le plus complet à ce jour pour enseigner aux robots comment naviguer dans la danse complexe, culturelle et physique des espaces humains.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.