Pieter Abbeel est un informaticien et professeur belgo-américain de génie électrique et d'informatique à l'Université de Californie, Berkeley. Il est un chercheur de premier plan en robotique et en intelligence artificielle, connu pour ses travaux pionniers en apprentissage par renforcement profond, en apprentissage par imitation et en manipulation robotique. Abbeel a cofondé Covariant, une entreprise de robotique en IA qui développe des logiciels pour robots industriels, et a également servi en tant que chercheur scientifique chez OpenAI.
Abbeel est né en Belgique et a obtenu son diplôme de premier cycle en génie électrique à la Katholieke Universiteit Leuven en 2000. Il a ensuite déménagé aux États-Unis pour ses études supérieures, recevant son doctorat en informatique de l'Université Stanford en 2008 sous la supervision d'Andrew Ng. Ses recherches doctorales ont porté sur l'apprentissage par apprentissage et l'apprentissage par renforcement inverse, établissant des méthodes qui permettent aux robots d'apprendre à partir de démonstrations humaines.
Carrière académique et recherche
Abbeel a rejoint le corps professoral de l'UC Berkeley en 2008, où il dirige le Berkeley Robot Learning Lab. Ses premiers travaux à Berkeley se sont concentrés sur la mise en pratique de l'apprentissage par renforcement pour la robotique du monde réel, notamment grâce à l'utilisation de réseaux neuronaux profonds. En 2015, son groupe a démontré l'un des premiers systèmes d'apprentissage par renforcement profond de bout en bout pour la manipulation robotique, entraînant un robot à saisir des objets en utilisant uniquement des entrées de pixels bruts et une politique de réseau neuronal. Ces travaux, publiés lors de la Conférence internationale sur l'apprentissage automatique, ont contribué à catalyser l'adoption plus large du apprentissage profond en robotique.
Un thème récurrent dans les recherches d'Abbeel est l'apprentissage par imitation, où les robots apprennent des compétences en observant des démonstrations humaines. Il a développé des algorithmes qui combinent l'imitation avec l'apprentissage par renforcement, permettant aux robots d'acquérir des comportements complexes tels que plier du linge, assembler des objets et naviguer dans des environnements encombrés. Son groupe a également contribué au développement du Berkeley Robot Manipulation Benchmark et de la bibliothèque open-source rllab, qui sont devenus des outils largement utilisés pour la recherche en apprentissage par renforcement.
Covariant et robotique industrielle
En 2017, Abbeel a cofondé Covariant avec plusieurs de ses anciens étudiants, dont Rocky Duan et Tianhao Zhang. La mission de l'entreprise est d'apporter une IA à usage général aux robots industriels, en particulier pour l'automatisation des entrepôts. Le logiciel de Covariant, connu sous le nom de Covariant Brain, utilise l'apprentissage profond pour permettre aux robots de percevoir, raisonner et agir dans des environnements non structurés, comme prélever des articles dans des bacs ou trier des colis. L'entreprise a levé des fonds de capital-risque importants, notamment un tour de table de série B de 40 millions de dollars en 2019 et un tour de table de série C de 75 millions de dollars en 2021, et a déployé ses systèmes dans des entrepôts exploités par de grandes entreprises de logistique.
L'approche de Covariant diffère de l'automatisation industrielle traditionnelle, qui repose sur des mouvements préprogrammés. Au lieu de cela, ses robots apprennent à partir de données et s'adaptent à de nouvelles situations, une capacité qu'Abbeel a jugée essentielle pour gérer la variabilité de la logistique du monde réel. L'entreprise s'est ensuite étendue à d'autres domaines, notamment la manipulation robotique pour la fabrication et le recyclage.
Contributions à l'IA et à OpenAI
Abbeel est un contributeur de longue date à la communauté plus large de l'IA. Il a servi en tant que chercheur scientifique chez OpenAI de 2016 à 2017, où il a travaillé sur des algorithmes d'apprentissage par renforcement et contribué au développement de la boîte à outils OpenAI Gym, une référence standard pour la recherche en apprentissage par renforcement. Ses travaux chez OpenAI ont également inclus des explorations précoces des grands modèles de langage et de leur potentiel pour le contrôle robotique, bien que son objectif principal soit resté la robotique.
Abbeel a également été conseiller auprès de plusieurs startups d'IA et a siégé aux comités éditoriaux de grandes revues, notamment le Journal of Machine Learning Research. Il est un conférencier principal fréquent lors de conférences telles que la Conférence sur l'apprentissage des robots et la Conférence internationale sur les représentations d'apprentissage.
Prix et distinctions
Les recherches d'Abbeel ont valu de nombreux prix. Il a reçu le prix CAREER de la National Science Foundation en 2010, le prix du jeune chercheur de l'Office of Naval Research en 2011 et le prix du jeune chercheur de l'Air Force Office of Scientific Research en 2012. En 2017, il a été nommé Fellow de l'IEEE pour ses contributions à l'apprentissage et au contrôle des robots. Il a également reçu la mention honorable du prix de thèse de doctorat ACM 2018 pour sa thèse sur l'apprentissage par apprentissage, et en 2020, il a été élu à l'Académie européenne des sciences.
Ses travaux ont été présentés dans les médias populaires, notamment dans The New York Times et Wired, soulignant le potentiel de la robotique pilotée par l'IA à transformer les industries.
Travaux actuels et impact
Au milieu des années 2020, Abbeel continue de diriger des recherches à l'UC Berkeley tout en restant actif dans le développement de Covariant. Ses projets récents ont exploré l'intersection de l'IA générative et de la robotique, notamment l'utilisation de modèles transformeur pour améliorer la généralisation des robots. Il a également plaidé pour des pratiques de recherche ouvertes, publiant du code et des ensembles de données pour accélérer les progrès dans le domaine.
L'influence d'Abbeel s'étend à travers ses nombreux étudiants, dont plusieurs ont fondé leurs propres entreprises de robotique ou occupent des postes académiques. Ses travaux ont contribué à établir l'apprentissage par renforcement profond comme une technique centrale dans la robotique moderne, comblant le fossé entre le apprentissage automatique et les systèmes physiques.