Apple Machine Learning Research a présenté MoMo, un système d'apprentissage en deux étapes pour la manipulation robotique par démonstration. Il combine un tokeniseur d'actions spatio-temporel et un transformateur de clonage comportemental.
Le système reçoit une tâche et une condition continue de mode de mouvement. Selon les auteurs, cela devrait permettre au robot de modifier la manière dont il déploie une action en fonction de la tâche, de l'objet et des conditions d'interaction, tout en conservant un facteur comportemental global entre différentes tâches.
La pertinence pratique de cette idée n'est pas encore confirmée par des métriques ou des résultats expérimentaux publiés dans la description source. La source contient uniquement un synopsis du travail; par conséquent, l'ampleur des améliorations, les exigences en matière de données et la robustesse de la méthode restent des questions ouvertes.
commentaire éditorial
Pourquoi c’est important
Conséquence probable : l'intérêt de la recherche se déplacera vers la gestion non seulement du résultat, mais aussi de la manière dont les robots exécutent les actions. Le prochain signal observable sera la publication de métriques, la description d'expériences ou des reproductions indépendantes. Une incertitude substantielle subsiste car seul un synopsis est actuellement disponible, sans données sur la qualité de la méthode.