La robotique est la branche de l'ingénierie et de l'informatique qui concerne la conception, la construction, le fonctionnement et la programmation de machines physiques, les robots, qui perçoivent leur environnement et agissent physiquement sur celui-ci. Bien que la robotique précède l'intelligence artificielle moderne de plusieurs décennies, remontant aux bras industriels déployés dans les usines à partir des années 1960, le domaine est devenu de plus en plus lié à l'IA, car la perception, la planification et le contrôle sont passés de règles codées à la main à des modèles appris, une convergence souvent discutée sous le titre plus large de IA incarnée.
De la robotique industrielle à la robotique apprise
Les premiers robots industriels, tels que le bras Unimate installé dans une usine General Motors en 1961, fonctionnaient selon des séquences de mouvement fixes et préprogrammées dans des environnements étroitement contrôlés et ne nécessitaient aucune perception d'un monde non structuré. La robotique de recherche des années 1980 et 1990, illustrée par des projets comme les robots à architecture de subsomption de Rodney Brooks, a exploré un contrôle réactif et piloté par les capteurs comme alternative à la planification symbolique. Les compétitions DARPA Grand Challenge de 2004 et 2005, qui chargeaient des véhicules autonomes de naviguer dans le désert, sont largement créditées d'avoir lancé la recherche moderne en perception et planification robotiques et d'avoir semé les graines de l'industrie de la voiture autonome. Au cours des deux décennies suivantes, la vision par ordinateur et l'apprentissage par renforcement ont de plus en plus remplacé les règles conçues à la main pour des tâches comme la préhension, la locomotion et la navigation, permettant à des robots entraînés en grande partie en simulation de généraliser dans une certaine mesure dans le monde physique, un transfert communément appelé sim-to-real.
Perception et contrôle pilotés par l'IA
La robotique moderne s'appuie fortement sur les mêmes techniques de apprentissage profond utilisées ailleurs en IA. Les systèmes à réseau de neurones convolutifs et, plus tard, à modèle vision-langage donnent aux robots la capacité de reconnaître des objets et des scènes ; l'apprentissage par renforcement et l'apprentissage par imitation, dans lesquels un robot apprend en imitant des démonstrations humaines enregistrées, sont utilisés pour entraîner des politiques de contrôle ; et, depuis le début des années 2020, les modèles vision-langage-action (VLA) combinent une grande base de modèle vision-langage pré-entraîné avec une tête de sortie qui produit directement des commandes motrices du robot, permettant à un seul modèle de suivre des instructions en langage naturel à travers diverses tâches physiques. Cela a produit une vague de modèles de fondation robotiques à usage général poursuivis à la fois par des laboratoires de robotique établis et des entreprises d'IA nouvellement entrées dans le domaine.
Domaines d'application
La robotique industrielle et d'entrepôt reste la base déployée la plus importante, avec des bras robotiques et des robots mobiles autonomes largement utilisés dans la fabrication et la logistique, y compris dans de grandes opérations de traitement des commandes gérées par des entreprises comme Amazon. La robotique chirurgicale, illustrée par le système da Vinci, étend la précision d'un chirurgien grâce à des instruments téléopérés. Les robots agricoles s'occupent de la récolte et de la surveillance des cultures, et les robots domestiques, avec le plus grand succès les aspirateurs robots, représentent la catégorie de consommation la plus largement adoptée à ce jour. Les plateformes robot humanoïde, visant des tâches à usage général dans des environnements conçus pour les humains, et les systèmes de voiture autonome représentent les frontières les plus intensives en capital et les plus surveillées du domaine au milieu des années 2020.
Défis
Malgré les progrès rapides de l'IA, la robotique a historiquement progressé plus lentement que les applications d'IA purement numériques, un écart parfois résumé par le paradoxe de Moravec : les tâches triviales pour les humains, comme ramasser un objet de forme irrégulière ou marcher sur un terrain inégal, restent difficiles pour les machines, tandis que les tâches difficiles pour les humains, comme le calcul complexe, sont comparativement faciles pour les ordinateurs. Les robots physiques sont également confrontés à des contraintes que les systèmes d'IA purement logiciels ne rencontrent pas, notamment le coût du matériel, la durabilité, la sécurité autour des humains et la difficulté de collecter de grandes quantités de données d'entraînement réelles et diversifiées comparables aux corpus de texte et d'images à l'échelle d'Internet qui ont entraîné les systèmes modernes de grand modèle de langage et de texte vers image.