Auteur | Cen Feng
Sous l’onde de la IA génératrice, la communauté des robots connaît une grande transition vers un paradigme d’apprentissage end-to-end plutôt que vers le contrôle traditionnel. Comme dans de nombreux domaines, il règne ici une croyance superstitieuse quant à l’ampleur des données, convaincue que « plus les données sont nombreuses, plus l’intelligence est grande » est le seul chemin vers une intelligence générale dotée d’un corps. Cependant, lors de la conférence principale à l’IROS, récemment terminée, par Jen Jen Chung de l’Université de Queensland, en combinant ses cas de recherche sur plus de dix ans, elle a tiré une conclusion profonde :Tous les données ne sont pas égales ; l’empilement aveugle de données peut même provoquer une panne du système et une incapacité des stratégies.Le professeur Chung aborde directement le point central dès le début de son discours :Des données massives ne signifient pas nécessairement un volume d'informations élevé. Il y a de nombreux exemples où on possède une grande quantité de données sans en tirer aucune utilité, car beaucoup de ces données ne nous permettent pas de comprendre réellement l’essence du problème. Sur le chemin vers les systèmes autonomes universels,Ce qui détermine la limite de l'intelligence n'est jamais l'ampleur absolue des données, mais plutôt la qualité des données et la densité d'informations.。Au début de sa carrière de recherche, dans le projet d’atterrissage autonome des drones, la professeure Chung a profondément compris que « l’exploration a un coût ». Pour que les drones à aile fixe utilisent de manière autonome les courants d’air ascendant comme les oiseaux, il est nécessaire de consommer de l’énergie précieuse afin de découvrir un espace de état et de mouvement inconnu. Cela la pousse à se demander : quand collecter les données ? Comment les collecter ? Le sampling aveugle et uniforme ne nuit pas seulement aux ressources, mais peut même ralentir le processus d’apprentissage. Ces recherches précoces lui ont fait réaliser que :La valeur des données n’est pas distribuée de manière homogène ; les informations à haute valeur, collectées selon les besoins, sont bien supérieures aux quantités massives d’observations redondantes et sans intérêt.Cette profonde compréhension de l’asymétrie de la valeur des données est particulièrement cruciale dans les systèmes distribués à plusieurs robots. Lorsque l’objet d’étude se développe de une unité unique à une collaboration entre plusieurs machines, et face à des canaux de communication réels limités, dégradés et présentant un fort retard, « diffuser en permanence toutes les données à tous les nœuds, partout et à tout moment » n’est pas réaliste, et pourrait même entraîner une congestion réseau catastrophique. Dans ce contexte, le professeur Chung a proposé la seule norme gold standard pour mesurer la valeur de partage des données.« Avec cette information, peut-elle entraîner un changement dans la décision comportementale ?»Sur cette base, son équipe a introduit une logique centrale très créative :Transmettre les informations les plus importantes, et non tout le contenu. Dans son discours, le professeur Chung a présenté une série d’exemples qui illustrent parfaitement comment atteindre un équilibre subtil entre les coûts de bande passante et la fidélité des données. À la fin de son discours, le professeur Chung a mis en lumière le paradigme actuel de l’apprentissage end-to-end en robotique, affrontant ainsi le « grand éléphant dans la pièce ». Dans les tâches complexes d’assemblage à forte interaction, même si de grandes quantités de données multimodales (visuelle, force, proprioception) sont fournies au bras mécanique, son comportement après déploiement reste extrêmement médiocre, et il reproduit mécaniquement l’action d’insertion même dans des scénarios sans conteneur. Pour cette raison, l’équipe du professeur Chung a proposé une solution de « réparation stratégique ». Les expériences ont montré que, avec le même budget de données d’entraînement, cette méthode de sélection ciblée de samples « réparatrices » permet d’améliorer significativement la généralisation stratégique par rapport à l’augmentation aveugle des données. Cela confirme à nouveau le thème de la présentation :« La qualité des données détermine les limites », la quête aveugle de l’ampleur des données n’est qu’un jeu numérique vaine.Voici la présentation de la conférence de Jen Jen Chung, rédigée par les critiques de technologie IA en tenant compte du contenu de sa conférence en anglais, sans modifier le sens original :
▎Titre de la conférence :（Geometry Strikes Back: Scaling 3D Reconstruction et Structuring 3D Scene Generation）
Conférencier : Jen Jen Chung de l'Université du Queensland01
Commencer par le vol d’un drone : le décalage entre les données et l’information
« Données » ne sont pas équivalentes à « informations ». Certains fragments de données peuvent contenir une grande quantité d’informations ; mais en même temps, il est possible de disposer d’une immense quantité de données sans en tirer aucun profit. Réexaminer la relation entre « données » et « informations » aujourd’hui est particulièrement significatif. Dans le contexte actuel des tendances technologiques, nous sommes extrêmement obsédés par la collecte de plus de données possible, croyant que « plus de données, plus de solutions aux problèmes ». Ce que je veux faire aujourd’hui, c’est défier cette mentalité. Le décalage entre les données et l’information a traversé de nombreuses recherches antérieures. Mon thème de doctorat portait sur le vol autonome des drones. La nature nous a montré un exemple merveilleux : les oiseaux savent comment tirer de l’énergie des vents, en utilisant les courants thermiques ascendants pour augmenter leur altitude. Nous étions en train d’explorer si les drones à aile fixe pouvaient réaliser une opération similaire. Du point de vue des stratégies d’exploration, c’est un sujet très intéressant : plus le temps de vol est long, plus les opportunités pour explorer l’espace « état-action » sont nombreuses. Cependant, l’essentiel est :Explorer a un prix à payer。Vous devez consommer l’énergie que vous avez difficilement obtenue pour explorer les zones inconnues du espace de état-action ; et aucun mécanisme ne garantit que cette expédition sera profitable. Vous pourriez perdre beaucoup de temps à explorer une région spécifique, sans obtenir rien au final. Par conséquent, si vous voulez apprendre rapidement, il est nécessaire d’équilibrer avec précaution « quand collecter les données » et « comment collecter les données ». Si la mesure est juste, avec très peu de cycles d’entraînement, il est possible d’apprendre une stratégie de vol libre assez efficace. Au cours des tours 20 à 27, nous avons développé une stratégie de contrôle très efficace, permettant au drone d’obtenir de l’énergie grâce au flux thermique. Ce qui est encore plus intéressant, c’est l’analyse de l’espace de la fonction de valeur. Dans ces graphiques, les courbes montrent la fonction de valeur à différentes vitesses de vol. Vous constaterez que, lorsque la vitesse de vol atteint un point critique, l’augmentation nette d’énergie tombe complètement à zéro – en raison d’une vitesse de vol trop élevée, le drone se retrouve directement dans le flux thermique, sans avoir le temps de retenir de l’énergie. Dès que la stratégie de contrôle comprend cela, elle réalise qu’explorer cette zone est sans intérêt. Même si vous continuez à collecter davantage de données dans cette zone, la stratégie ne connaîtra aucune amélioration. Un autre exemple est la planification du chemin le plus court dans un champ de coûts inconnus. Le problème consiste à trouver le chemin optimal entre deux points, tandis que le champ de coûts réel représenté dans le coin supérieur gauche est totalement inconnu au début ; il faut donc utiliser des échantillonnages locaux pour comprendre les coûts liés à la traversée de chaque zone. Il faut garder à l’esprit deux points : premièrement, le sampling comporte des coûts ; vous devez payer un coût physique pour explorer et collecter des données ; deuxièmement, votre objectif final est de trouver le chemin le plus court, plutôt que de reconstruire précisément tout le champ de coûts. Une fois cela clair, nous ne devrions pas effectuer un sampling uniforme, ni sampler aveuglément juste pour réduire l’erreur d’estimation du champ de coûts. Comment pouvons-nous guider la collecte de données afin d’améliorer au maximum la précision de l’inférence du chemin le plus court ? Comme les points de départ et d’arrivée sont connus, nous pouvons d’abord effectuer une recherche heuristique bidirectionnelle. Nous formulons l’hypothèse suivante : si des données d’observation sont collectées à cet instant à un endroit donné, comment cette mesure changera-t-elle notre confiance a posteriori ? Comment elle redéfinira-t-elle nos limites de recherche ? Quel changement a priori apportera-t-elle dans le type de mesure ou sur l’échelle numérique ? À quelle ordre de grandeur se situent les valeurs attendues ? Et surtout : cela changera-t-il votre jugement concernant la direction du chemin le plus court ? Si vous prévoyez que cette mesure ne peut pas changer l’estimation du chemin, alors cette collecte de données n’a aucune raison d’être. Conformément à cela, nous pouvons orienter de manière ciblée la collecte de données. Voir la méthode d’exploration rapide que nous avons proposée en 2017 : cet algorithme met fin immédiatement à l’échantillonnage de l’espace de statut et de l’espace d’exploration dès qu’il détermine qu’une région appartient à une zone à coût très élevé – car la probabilité de trouver un chemin plus court en allant vers le haut à gauche est quasi nulle. Nous devrions orienter notre précieux budget de collecte de données vers les zones à fort potentiel situées dans le coin inférieur droit, où il est plus probable de découvrir une meilleure solution. Dans ces deux cas – que ce soit pour trouver le chemin le plus court ou pour le vol autonome de la drone – la collecte de données redondantes n’apporte pas d’aide réelle à la résolution, mais au moins elle ne détruit pas les solutions existantes ; elle ne fait qu’accélérer l’inertie du calcul.02
Système de plusieurs robots :
Le partage de données n'a jamais été gratuit
Dans certains domaines spécifiques, l'ajout aveugle de plus de données dans le système n'est pas seulement inutile, mais peut même entraîner une détérioration rapide de la performance globale. Ce phénomène se concentre principalement sur les systèmes distribués de multiples robots. La raison en est que la distribution des données dans le système dépend entièrement des infrastructures de communication de base.Le partage de données n’a jamais été gratuit“. Dans la réalité, il est impossible de contourner le problème de bande passante ; les canaux de communication sont souvent remplis de contraintes, d’atténuation et de retard. Compte tenu des contraintes physiques des canaux réseau, « diffuser toutes les données en masse pour tous les nœuds à tout moment et en tout lieu » est fondamentalement irréaliste. De plus, l’utilité marginale des données n’est pas uniformément répartie ; elle dépend fortement des propriétés des données elles-mêmes, de l’identité du nœud récepteur et de la temporalité de la réception. En tenant compte de ces trois facteurs, comment devrions-nous planifier le mécanisme de distribution de données entre les systèmes, afin que chaque nœud puisse obtenir les informations les plus cruciales ?” Nous pouvons commencer par « objets de communication » et « moments de communication ». Le scénario le plus direct à mettre en œuvre est la prévention des collisions entre drones. À quel moment les drones doivent-ils absolument connaître la direction des autres robots ? Imaginez un groupe de drones dont les trajectoires se chevauchent : ont-ils besoin de communiquer constamment ? Ou bien, seulement lorsque leur estimation de l’action des autres individus est insuffisante et fiable ? La question essentielle à se poser est :Avec cette information, peut-elle provoquer un changement dans la décision comportementale ?“Lorsque les nœuds s’illuminent en jaune, cela signifie qu’ils communiquent ou demandent l’état de l’autre ; lorsqu’ils sont bleus, cela indique que la prédiction embarquée est suffisamment fiable et qu’il n’est pas nécessaire d’utiliser des données supplémentaires. Grâce à ce mécanisme de communication soigneusement choisi, nous réduisons considérablement la charge des canaux réseau et augmentons significativement la probabilité que les informations précieuses atteignent leur destination. Une autre dimension du problème est « quelle contenu être transmis ». En plus de transmettre directement les données brutes, nous pouvons utiliser des représentations approximatives. Ici, nous avons introduit un outil mathématique très ingénieux — le filtre de Bloom. Imaginons une tâche d’exploration de graphes collaboratifs, où le robot doit synchroniser les zones qu’il a parcourues et observées sur la carte en grille. Bien sûr, vous pouvez transmettre directement les trajets de position détaillés, mais il existe des méthodes de codage beaucoup plus efficaces. Par exemple, le filtre de Bloom utilise une répartition par hachage pour compresser les informations de statut en tableaux de bits à haute densité, ce qui permet une compression des données remarquable. Bien qu’il y ait une certaine perte en précision des données, cela permet d’obtenir une taille de données très réduite, ce qui augmente considérablement le taux de transmission réussie sur des canaux difficiles. Lorsque l’information est synchronisée avec le robot rouge, celui-ci reçoit un ensemble de nombres et peut alors effectuer une vérification d’état local pour déterminer si une unité de grille spécifique a été explorée. Le robot rouge peut déterminer que la grille (1,7)(1,7) a été observée par le robot vert ; lors de la recherche d’une autre grille, si le bit de hachage contient 00, cela indique que l’autre partie n’a pas encore été explorée, et cette zone est alors considérée comme un point potentiel valant la peine d’être exploré. Mais le prix de cette compression nuisible, comme je l’ai dit, est que une partie de la précision est sacrifiée. Des résultats faux positifs peuvent survenir lors de la recherche de certaines grilles – une grille qui n’a pas été explorée, mais dont la requête de hachage indique qu’elle fait partie du ensemble. C’est un coût inévitable dû à un ratio de compression élevé. Cependant, la compréhension profonde du mécanisme interne des outils nous permet de introduire habilement d’autres techniques de génie, afin de dépasser les limites de performance des outils existants. Une solution extrêmement simple et subtile consiste à “saler” les données : c’est-à-dire à intégrer une valeur aléatoire de salage avec les données avant d’exécuter l’hachage, et à diffuser cette valeur de salage avec les données. De cette manière, au cours des cycles continus d’observation et de communication, nous pouvons utiliser chaque fois des valeurs de salage indépendantes et distinctes, et le tableau de hachage produit sera également différent pour chaque cas. Cela signifie que les données transmises à chaque fois dans le réseau sont statistiquement décorrélées, représentant des échantillons d’observation indépendants l’un de l’autre. Cette indépendance statistique permet de mettre en œuvre tous les avantages théoriques de la inférence bayésienne et de l’accumulation d’informations séquentielle. Cela permet à l’équipement de réception de prendre des décisions plus robustes. Même si le taux maximal de faux positif par intervention préinstallé dans le système atteint 50 % – le taux de faux positif instantané peut être très préoccupant, comme l’erreur signalisée par les points noirs blancs sur la figure ; mais grâce à la fusion de données déconnectées entre cycles, l’erreur de confiance a posteriori des robots est considérablement réduite, bien supérieure aux niveaux de faux positif instantanés. Cela nous permet de bénéficier du avantage de compression de données et du flux de canal, tout en maintenant une capacité de prise de décision de haute qualité. Par conséquent, des mécanismes tels que le filtre de Bloom nous offrent un levier pour effectuer un équilibre direct entre les coûts de bande passante de communication et la fiabilité des informations. Dans les tâches d’exploration collaborative à plusieurs machines, l’efficacité globale est considérablement améliorée. Je préfère le considérer comme un équilibre quantitatif entre « précision des données » et « temps réel » – ce qui correspond précisément aux « contenus de transmission » et aux « moments de transmission » dans les flux de données du système. Mais le solution mentionnée ci-dessus repose encore sur une hypothèse implicite : le système doit recevoir l’ensemble du paquet de données avant de pouvoir commencer à le décoder et à l’utiliser. C’est précisément ce autre obstacle que nous essayons de surmonter. La structure de communication des robots actuelle est généralement dominée par une mentalité conventionnelle : pour exploiter n’importe quelle information, il faut attendre que le paquet de données soit entièrement reçu avant de le décompresser et d’analyser. Une fois confronté à une connexion faible ou à des coupures intermittentes, si un seul paquet est perdu, tout le transfert devient inutile. plutôt que de sombrer dans une impasse de transmission binaire, pourrions-nous échanger davantage de résolution de données contre du temps ? Pourrions-nous introduire un mécanisme de transfert en flux continu, nous permettant d’accéder aux données complètes sans attendre, ou de recevoir des paquets légers en priorité et de les décoder immédiatement, afin de soutenir des décisions rapides ? Ainsi, même si le robot bleu situé à la limite du signal faible ne reçoit qu’une moitié des paquets, une partie des informations obtenues peut être directement utilisée pour la planification collaborative. Si vous avez vécu les années 90 sur Internet, peut-être avez-vous une bonne mémoire des mécanismes de streaming de l’époque. C’est cette idée que nous avons empruntée, et qui est encore courante dans la vie quotidienne : lorsque vous regardez des vidéos en streaming sur votre téléphone, il n’est pas nécessaire de charger complètement la vidéo haute définition sur votre ordinateur pour que la diffusion soit fluide. Nous avons appliqué cette idée de transmission progressive aux systèmes de robots, permettant aux groupes de robots de prendre des décisions raisonnables rapidement même lorsque les informations ne sont pas encore complètes. Avec cette idée de transfert en flux et cette représentation progressive à plusieurs niveaux de détail, nous pouvons facilement équilibrer précision et rapidité, permettant aux robots de prendre des décisions sans dépendre fortement du réseau. La mise en correspondance et la cohérence des cartes entre les groupes de robots sont bien supérieures aux solutions traditionnelles consistant en une synchronisation totale à une fois ; dans des scénarios de création de cartes à plus grande échelle et dans des systèmes complexes, l’avantage d’extension de cette solution devient encore plus évident. Une série d’expériences de résultats quantitatifs témoigne fortement de notre point de vue central : davantage de données ne correspondent en aucun cas à des décisions meilleures. Dans la méthode de transfert en flux indiquée en bleu en bas du graphique, le volume total de communication est le plus faible par rapport à toutes les méthodes de base, et la taille des données reçues par l’émetteur est également la plus petite. Cependant, en examinant la qualité de synchronisation globale du réseau, elle peut encore se rapprocher de l’état idéal où le canal est totalement intact et sans limitation de bande passante. Il est donc possible de travailler sur les données par une représentation raisonnée, une reconstruction et une compression en flux, plutôt que d’inonder le réseau de données brutes sans réflexion, espérant ainsi obtenir un meilleur résultat miraculeusement à l’arrivée.03
Apprentissage de la stratégie robotique :
Le problème ne vient pas de la pénurie de données, mais de l’overfitting
Toutes ces préparations ci-dessus visent à mettre en évidence l’énorme problème auquel nous devons faire face dans notre domaine actuel : le paradigme dominant de l’apprentissage des stratégies robotiques. Le paradigme de recherche dominant actuel cherche à compresser toutes les connaissances a priori de l’humanité et à les injecter directement dans les stratégies des robots, en espérant produire une stratégie générale à partir de grandes quantités de données généralisées, permettant de gérer tous les scénarios complexes, depuis les opérations détaillées, la navigation autonome jusqu’à l’interaction dynamique avec plusieurs points de contact. Nous avons également connu des difficultés dans cette direction. Avant cela, nous avons toujours exploré comment mener l’apprentissage de stratégies pour des tâches complexes d’assemblage à contact riche. Dans cet expérience, nous avons collecté des données de démonstration par téloperaison d’experts et entraîné le bras robotique à effectuer l’insertion de pièces dans un environnement de empilement désordonné. Nous avons fourni au modèle des entrées sensorielles multidimensionnelles : des données visuelles bimodales comprenant des images RGB et des images de profondeur, des lectures des capteurs de couple six dimensions du exécuteur terminal et toute une série d’états de sensation corporelle. Nous avons inséré tous les données collectées dans le modèle, mais les performances de la stratégie déployée après son exécution sont extrêmement médiocres. Comme on peut le voir, le bras robotique effectue des mouvements mécaniques répétés – collision aveugle avec les blocs de matériel, désorganisation de la scène, contact physique, imitant mécaniquement les trajectoires d’entraînement présentes dans le set d’entraînement. Face à de telles performances médiocres, la « solution » que l’on propose le plus souvent est : augmenter les données d’entraînement et collecter davantage d’exemples d’interaction distance par des experts. Mais si l’on examine attentivement son comportement anormal dans une scène de boîte vide, on constate que même lorsque la boîte est vide, le bras mécanique reproduit mécaniquement la même action d’insertion. Cet exemple révèle clairement que le problème ne réside pas dans une carence de données, mais dans une sur-apprentissage grave de la stratégie. Le modèle ignore complètement les entrées visuelles et ne prend aucun compte du retour de force, s’appuyant uniquement sur les données de sensation proprioceptive des articulations pour « réciter » mécaniquement et reproduire le trajet d’entraînement. L’overfitting n’est bien sûr pas un concept nouveau ; il existe depuis l’origine du apprentissage automatique. Nous sommes bien conscients de l’existence de cette problématique. C’est pourquoi je dois insister : lors de l’apprentissage des stratégies de résolution, nous devons rester lucides face à ce point de blocage. L’essentiel n’est pas à donner davantage de données au modèle, mais plutôt à examiner de manière plus sage : quels types de données devrions-nous vraiment introduire dans le modèle ? Ce n’est pas seulement moi qui réfléchis à cette question ; mes collègues de l’Organisation australienne de recherche en sciences et industries de la Fédération australienne également s’efforcent de résoudre ce problème. De nombreux collègues présents ici ont probablement rencontré une situation similaire : par exemple, dans une tâche de empilement de briques, le bras robotique doit empiler précisément les briques vertes au sommet des briques jaunes. Dans un environnement nominal bien éclairé et propre, lorsque les caractéristiques de l’environnement correspondent à la distribution d’entraînement, le comportement de la stratégie est assez stable. Cependant, dès que l’environnement change ou qu’on introduit quelques distractions dans la scène, les performances de la stratégie s’effondrent instantanément. Ce n’est pas surprenant : ces petites perturbations ont toujours été le point faible des stratégies entraînées uniquement avec des données nominalement propres et ordonnées. Nous ne pouvons pas affirmer que cette stratégie a vraiment appris la compétence générique de « empilage de briques » ; au mieux, nous pouvons dire qu’elle a simplement appris l’empilage de briques « dans des conditions de lighting spécifiques et avec des configurations de scène définies ». Quel est le chemin à suivre ? Continuer à collecter aveuglément une immense quantité de données ? Ou bien alterner différentes configurations de lighting pour injecter sans cesse davantage d’enseignements à distance par des experts ? Ou peut-être existe-t-il un moyen plus fondamental de sortir de cette situation ? Le premier auteur de cette étude, Giovanni Joseph, a choisi d’explorer les variations microscopiques à l’intérieur du modèle de stratégie : en comparant en profondeur les différences d’output des stratégies dans deux scénarios d’entrée, quelle est exactement la déviation de l’output des actions ? Quelle est la nature de la déviation des distributions d’actions stratégiques dans le scénario de perturbation ? En comparant les scénarios nominal et le scénario de dérive due à la perturbation, nous avons obtenu des points de preuve quantifiables, ce qui nous a permis de comprendre les changements dans la distribution de l’output des actions. Nous avons mené ce test sur une grande quantité de jeu d’entraînement, et en utilisant des techniques d’édition de données, nous avons simulé différents environnements de variation tels que les conditions d’éclairage, afin de déterminer la distribution des écarts d’action qui provoquent l’effondrement de cette stratégie durant la phase de raisonnement. Cette distribution révèle de manière intuitive comment les écarts de performance sont distribués en clusters. En conséquence, face aux variations dans la représentation visuelle, nous pouvons effectuer une recherche inverse ciblée : quelle forme de tutorat téléopératoire expert à adopter dans tel contexte spécifique pour assurer le plus grand soutien possible dans cet espace de caractéristiques, afin de corriger la stratégie avec le moindre coût et de la ramener sur le chemin de la décision correcte ? Nous avançons systématiquement cette tâche dans l’ensemble de l’espace de distribution. Cela rend notre collecte et notre utilisation des tutoriels d’entraînement très prospective et ciblée. L’expérience a montré que, avec les mêmes données d’enseignement, l’amélioration du performance final de la stratégie obtenue par cette méthode est bien supérieure à celle obtenue par une augmentation aveugle des données. Cela prouve clairement que, plutôt que de chercher uniquement à augmenter le volume de données, c’est la qualité des données collectées qui détermine réellement les limites. L’essentiel réside dans le choix ciblé de ces échantillons clés qui permettent de « réparer » précisément les modes de non‑fonctionnement de la stratégie et de couvrir les zones d’omission des caractéristiques. J’espère que la présentation d’aujourd’hui permettra à tous de disposer d’une perspective complètement nouvelle lorsqu’ils s’engagent dans cette nouvelle ère de stratégie robotique dominée par l’apprentissage automatique de bout en bout. Enfin, je souhaite souligner une fois de plus mon initiative principale : sur le chemin qui nous mène vers des systèmes autonomes universels, nous devons respecter les principes scientifiques concernant la collecte et l’utilisation des données. Souvenez-vous toujours : notre objectif ultime n’est jamais de accumuler incessamment des données dans le système, mais plutôt d’injecter les informations essentielles et les plus utiles dans les intelligences, afin de leur permettre de résoudre de manière plus efficace les problèmes du monde réel. Enfin, je tiens à remercier tous les excellents partenaires qui ont contribué à cette partage. Merci beaucoup à toutes et à tous, veuillez poser vos questions !04
Q&A
▎Q : Par rapport aux performances de référence de 90 % dans l’environnement nominal, même après la mise en œuvre de correctifs stratégiques, il existe encore une différence de taux de succès face aux fluctuations externes.
A : C’est une perspective très profonde : elle montre que nous devons encore détailler et analyser plus en profondeur la distribution des déplacements des actions dans l’espace. À ce stade, lorsque nous déterminons le point d’impact des échantillons, nous évaluons si ce point peut fournir le soutien le plus efficace dans le espace des caractéristiques, en essayant de maximiser la couverture spatiale dans un sens global. Si nous pouvions définir une mesure de distance plus précise, nous pourrions peut-être faire une estimation a priori plus exacte du coût spécifique nécessaire à la correction stratégique. Mais cela reste extrêmement difficile dans le présent : en effet, l’espace d’insertion à haute dimension n’est essentiellement qu’une approximation rugueuse du espace de mesure. Nous ne pouvons pas garantir mathématiquement que les outils classiques d’analyse de mesure restent strictement valables dans cet espace d’insertion, car ces espaces de représentation n’étaient pas des espaces de mesure véritablement rigoureux lors de leur création initiale ; ils ne sont qu’un moyen d’approximation en ingénierie.▎Q : Si on passe au niveau de la méthodologie, quelle est la philosophie fondamentale centrale qui guide votre réflexion sur les problèmes de communication des robots ?
A : Si je résume ma compréhension fondamentale de la communication, l’essentiel réside dans un point : « Est-ce que cela changera les décisions d’action de l’autre partie ? » Si je vous envoie une information sans qu’elle puisse influencer votre prochain mouvement – en d’autres termes, même sans vous le dire, vous ferez toujours la même chose – alors quel est l’intérêt de consacrer ma bande passante à partager ces données ? C’est là ma règle principale.▎Q : Je voudrais poser une question concernant les limites du filtre de Bloom mentionné au début. En particulier, dans la recherche coordonnée par plusieurs robots décentralisés, on utilise généralement des méthodes probabilistes pour fusionner les états ; mais il existe ici un problème classique lié à l’utilisation répétée des données : on ne peut pas retracer qui a généré l’information actuelle ni comment elle est transmise entre les nœuds partenaires. Dans cette représentation perdue et compressée, comment coder les métadonnées nécessaires pour déterminer “qui a produit ces données” et “quel nœud les a intégrées” ?
A : Lors de l’utilisation du filtre de Bloom pour synchroniser les informations, nous distinguons strictement les sources d’entrée : c’est-à-dire entre « une séquence d’observations séquentielles provenant du même robot » et « des informations croisées provenant de robots différents ». Lorsque l’on se trouve face à la question « un seul robot a-t-il observé un certain espacement ? », il s’agit essentiellement d’une accumulation de confiance bayésienne : à mesure que je demande continuellement au robot, et si cet espacement apparaît toujours dans plusieurs hachages, la confiance dans sa véritable observation augmente de manière linéaire. Mais si plusieurs robots différents déclarent simultanément qu’ils ont tous observé ce réseau, la forme mathématique du problème se transforme en calcul de la probabilité d’union « au moins véritablement observée par l’un des robots ». Par conséquent, du point de vue de l’inférence probabiliste, la manière de traiter le problème est complètement différente. Et dès que les données elles-mêmes présentent une non-uniformité – par exemple, « quel robot est le plus fiable ? L’exactitude des capteurs d’un robot est-elle meilleure ? Ou bien l’environnement de posture dans lequel il se trouve offre-t-il un rapport signal/bruit et une précision plus élevés ? » ”——La complexité du problème augmentera considérablement. Comment intégrer de manière élégante le poids de confiance du robot et les étiquettes de traçabilité dans un fichier comprimé compact est en effet une tâche très difficile et qui mérite d’être approfondie. Merci encore à tous !Pour faciliter les échanges entre les participants et la transmission des informations concernant les réunions, nous avons créé spécialement le IROS 2026 Groupe de communication pour les participants! Entrer dans le groupe vous permettra de déverrouiller ces « avantages » ?
Station d’information de conférence : soumissions DDL, normes de format, avancement de la revue… Les points clés sont transmis en temps réel, vous n’aurez plus peur de manquer le délai, les préparations des soumissions sont assurées.
Rencontre de collègues : tous les collègues de partout sont dans le groupe. On discute des expériences, on échange des idées, on développe des relations. Nous avançons ensemble sur la voie de la recherche scientifique.
Station de ravitaillement avancée : dernières découvertes scientifiques, axes d’actualité en temps réel, combinés au thème de la conférence pour vous aider à clarifier les pistes de publication, et pour nourrir des idées de thèse.
Comité de soutien en direct : (activé uniquement pendant la conférence) :On n’a pas besoin de se précipiter à l’endroit de la réunion –
Navigation du parcours : Distribution des salles, comment se rendre au salon de rapport, demandez-le dans le groupe à tout moment ;
Lecture commune sur le sujet : Sessions populaires, débats Keynote, on peut rattraper les pertes ;
Poster compilation : Résumé des posters sur place, stockage en un clic sans oublier rien ;
Placeau Yueju : réunions de repas, bureaux d’interviews, bureaux de communication… Si vous voulez discuter, collaborer ou rencontrer quelqu’un, il suffit de lancer une action dans le groupe.
? Portail d’entrée du groupe : Scannez le code pour rejoindre le groupe ou ajoutez WeChat Luyoyo_2026, notez : IROS + unité/school + nom + domaine.
Pour la recherche scientifique ou le développement technique, les informations différées sont très importantes.
Viens, prenons l’avantage !
Monte dans la voiture, je t'emmènerai découvrir l'essence des principales conférences d'AI du monde entier
Accès exclusif :
PowerPoint pour conférence d'expert
Rapport complet de la conférence
Interprétation des articles de recherche populaires
Entretien avec la nouvelle étoile académique
Scannez le code QR ci-dessus
Ou cliquez sur « Lire le texte original » pour accéder à la section de Leifeng Net (compte public : Leifeng Net).
Article original de Leifengwang, le reproduction est interdite sans autorisation. Pour plus d'informations, veuillez consulter les consignes de reproduction.