A Taxonomy of Construction Task Activities for Robot Workers
Cet article introduit TARCAT, une taxonomie interprétable par l'humain de 41 primitives d'actions de construction dérivées de données professionnelles et de vidéos d'instruction, conçue pour standardiser l'analyse du travail humain et permettre le développement de robots travailleurs polyvalents grâce à des compétences réutilisables et composables.
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
Pour comprendre le défi consistant à apprendre à un robot à construire une maison, il faut d'abord comprendre la différence entre une machine qui suit une commande unique et un travailleur qui comprend un métier. Les robots modernes sont souvent comme des spécialistes hautement qualifiés capables d'effectuer un mouvement parfait, tel que souder une soudure ou peindre un mur unique, mais ils éprouvent des difficultés lorsque l'environnement change ou lorsqu'une tâche nécessite une séquence d'actions différentes. Ces dernières années, un nouveau type d'intelligence artificielle est apparu, capable de voir une image, de comprendre une phrase et de décider d'une action physique, offrant ainsi une voie vers des machines capables de s'adapter à de nouvelles situations. Cependant, pour la construction, où les matériaux, les outils et les chantiers varient énormément, posséder un cerveau intelligent ne suffit pas. Le robot a besoin d'un langage clair et partagé pour décrire exactement ce qu'il doit faire, en décomposant les tâches humaines complexes en petites unités apprenables qui peuvent être recombinées. Sans ce vocabulaire, un robot ne peut pas savoir ce qu'il est capable d'apprendre ou ce qui lui manque.
C'est le problème que une équipe de chercheurs de l'Université de Californie, Irvine, s'est donné pour résoudre avec un nouveau cadre appelé TARCAT. Plutôt que de deviner ce qu'un robot de construction devrait faire, l'équipe est partie des personnes qui effectuent réellement le travail. Ils ont analysé les descriptions de poste officielles de sept des métiers de la construction les plus courants aux États-Unis, notamment charpentiers, électriciens, couvreurs et manœuvres. Ces descriptions, issues d'une base de données gouvernementale utilisée pour suivre l'économie, énumèrent des centaines de tâches spécifiques que les humains accomplissent quotidiennement. Les chercheurs ont ensuite observé trente vidéos pédagogiques de ces travailleurs en action, cartographiant soigneusement chaque mouvement et chaque décision pris par les humains par rapport aux descriptions de poste officielles. À partir de cette immersion profonde dans le travail réel, ils ont extrait un inventaire précis de quarante et une actions de base, qu'ils appellent « primitives ».
Ces primitives sont les briques élémentaires du travail de construction. Elles ne sont pas liées à un métier spécifique ou à un outil spécifique, mais plutôt à la capacité physique ou mentale fondamentale requise pour accomplir quelque chose. Par exemple, l'action de « mesurer » est une primitive qui s'applique qu'un travailleur utilise un ruban à mesurer pour vérifier un mur ou un manomètre pour vérifier un tuyau. De même, « communiquer » est une primitive qui couvre aussi bien le fait de parler à un collègue que d'écrire un rapport. Les chercheurs ont organisé ces quarante et une actions en trois catégories principales : le traitement de l'information, qui implique la compréhension de plans et la vérification de conditions ; la communication, qui couvre la parole et la signalisation ; et l'utilisation d'outils, qui englobe tout, des mouvements fins des doigts au levage lourd de tout le corps. En définissant ces actions de cette manière, l'équipe a créé un système où un robot peut apprendre une compétence unique, comme « serrer une vis », et comprendre qu'elle est composée de parties plus petites et réutilisables comme « saisir l'outil », « positionner la main » et « effectuer une rotation du poignet ».
La puissance de ce système réside dans la façon dont ces petites actions sont combinées. Les chercheurs ont montré qu'en enchaînant ces primitives dans un ordre spécifique, un robot peut former une « compétence » qui accomplit un sous-objectif, tel que débrancher un fil ou fixer un carreau. Ces compétences peuvent ensuite être mélangées et assorties pour créer des procédures complexes pour des tâches de construction entières. Pour prouver que cette liste abstraite d'actions pouvait réellement fonctionner dans le monde réel, l'équipe a testé quatre de ces primitives d'utilisation d'outils sur un bras robotique physique équipé d'une main dextre. Ils ont réussi à programmer la machine pour positionner une visseuse électrique, placer un marteau dans une boîte, enfoncer un clou et écarter des objets avec une brosse. Ces démonstrations ont confirmé que la taxonomie n'est pas seulement une liste théorique, mais un ensemble d'instructions qu'une machine peut exécuter physiquement.
Le but ultime de TARCAT est de fournir un langage commun qui permet aux robots d'apprendre à partir de démonstrations humaines et d'aider les agents logiciels à déterminer comment construire de nouvelles compétences. Si un robot doit apprendre à installer un toit, il n'a pas besoin d'être enseigné à partir de zéro ; au lieu de cela, il peut récupérer les compétences connues pour mesurer, couper et fixer, et les composer en une nouvelle séquence. Les chercheurs reconnaissent que leur travail actuel ne couvre que sept professions et un nombre limité d'exemples vidéo, le système n'est donc pas encore complet. Cependant, en ancrant leur travail dans les tâches réelles des travailleurs humains, ils ont créé une fondation stable pour le développement de robots de construction polyvalents capables, à terme, de gérer la réalité désordonnée, variée et complexe des chantiers de construction.
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.