article original publié par Science @ Nasa
auteur : Patrick L. Barry
traduction de Didier Jamet
17 SEPTEMBRE 2002
Néanmoins de nombreuses approches de programmation plus flexibles ont émergé. On retrouve parmi elles des technologies comme la statistique Bayésienne, la programmation évolutive, la reconnaissance du langage naturel, et les réseaux neuronaux.
Chacune fournit une façon d'ajouter de la flexibilité ou des capacités d'apprentissage à un robot.
Par exemple, les scientifiques de l'université Carnegie Mellon ont appris à un robot à piloter une voiture de façon autonome durant 98 % d'un parcours au travers des États-Unis. Un projet astucieusement appelé " l'Amérique sans les mains".
Ils ont d'abord entraîné le robot, en le laissant à la place du passager, regarder la façon dont un humain conduisait la voiture. Cela a permis au robot d'apprendre à associer certains stimuli visuels avec des actions correctes sur la conduite.
Le "cerveau" de ce robot était une simulation informatique d'un réseau neuronal, qui reproduit de façon rudimentaire l'architecture d'un cerveau animal. Les stimuli sont traitées par un réseau de "noeuds" (neurones) et de "liens" (axones).
Les réseaux neuronaux apprennent à partir de leur expérience et peuvent associer des données élémentaires avec des résultats spécifiques: par exemple, quatre pattes plus un aboiement (les données élémentaires) = un chien (le résultat spécifique).
Pedersen tient à préciser que le fonctionnement interne des cerveaux organiques est encore trop largement incompris pour être imité précisément. "Bien que les réseaux neuronaux soient d'une certaine façon similaire au cerveau organique, ils restent largement moins complexes et moins efficaces."
La théorie des probabilités, et plus particulièrement la statistique Bayésienne, fournit un autre chemin vers l'apprentissage des machines . Elle permet aux ordinateurs de fonctionner nom seulement en terme de noir et blanc -vrai ou faux -, mais aussi en nuances de gris. Les machines qui « pensent » en utilisant de tels modèles statistiques s’en sortent plutôt bien lorsqu’il s’agit d’évaluer ce qu’elles ont appris d’expériences nouvelles et inattendues. (« c’est ce qui me fait adorer la robotique, » nous confie Pedersen, « attendez-vous à une explosion des capacités des robots. »)
Une possibilité supplémentaire est offerte par l'informatique évolutive dans laquelle les ordinateurs "font évoluer" leur propre programme. "les Mutant" d'un programme original sont essayés, et ceux qui fournissent de meilleurs résultats sont préservés.
Leur code est alors mélangé et subit de nouvelles mutations - tout comme lors de la reproduction sexuée - afin de produire la prochaine "génération," et ainsi de suite pour des centaines de milliers de génération. Cette "évolution" de la programmation peut aboutir à des programmes très efficace de résolution de problèmes que les scientifiques eux-mêmes ont du mal à comprendre.
Ces technologies et d'autres nouvelles approches de programmation posent les fondements nécessaires à la création de robots plus intelligents et plus autonomes.
Les scientifiques prélèvent dans cette boîte à outils ce dont ils ont besoin pour installer dans les robots ces facultés qui nous paraissent si naturelles pour nous-mêmes : comprendre la signification du langage parlé, se représenter toutes les petites actions nécessaires à l'accomplissement d'une tâche, se déplacer au travers d'un terrain et éviter les dangers. Le b-a-ba de l'exploration autonome.
Suite de cet article : À La recherche de R2- D2
(lien ci-dessous)