Google DeepMind dévoile un robot doté d'une IA capable de jouer au tennis de table avec un niveau amateur qui a obtenu un taux de victoire de 45 % contre des joueurs humains,

Mais souffre de plusieurs limites

Google DeepMind dévoile un robot doté d'une IA capable de jouer au tennis de table avec un niveau amateur et qui a obtenu un taux de victoire de 45 % contre des joueurs humains
mais souffre de plusieurs limites

Des chercheurs de Google DeepMind a mis au point un robot capable de jouer au tennis de table de niveau amateur. L'équipe indique que le robot a un taux de victoire de 45 % contre des joueurs humains, marquant ainsi une avancée significative dans le domaine de la robotique et de l'IA. Le robot excelle contre les débutants, mais peine contre les adversaires avancés. Grâce à une architecture de règles hiérarchiques et à des techniques d'apprentissage avancées, le robot s'adapte en temps réel. Les chercheurs cherchent à résoudre les problèmes de latence et de données pour améliorer les performances du robot dans les prochaines versions.

Un joueur de tennis de table robotisé capable de battre les joueurs humains amateurs

Mercredi, des chercheurs de Google DeepMind ont dévoilé un robot joueur de tennis de table piloté par l'IA et capable de concourir à un niveau humain amateur. Le système combine un bras robotique industriel appelé ABB IRB 1100 et un logiciel d'IA personnalisé de Google DeepMind. Bien qu'un joueur humain expert puisse vaincre le robot, le système démontre le potentiel des machines à maîtriser des tâches physiques complexes qui nécessitent une prise de décision en une fraction de seconde et une capacité d'adaptation. L'équipe a publié son rapport d'étude dans la revue scientifique en ligne arXiv.

Robotic table tennis has served as a benchmark for this type of research since the 1980s.

The robot has to be good at low level skills, such as returning the ball, as well as high level skills, like strategizing and long-term planning to achieve a goal. pic.twitter.com/IX7VuDyC4J

— Google DeepMind (@GoogleDeepMind) August 8, 2024

Le tennis de table joue un rôle clé dans l'évaluation des bras des robots depuis une dizaine d'années. Ce sport exige notamment de la vitesse, de la réactivité et de la stratégie. L'article, intitulé "Achieving Human Level Competitive Robot Table Tennis", décrit brièvement les travaux de Google DeepMind sur le jeu. « Il s'agit du premier agent robotique capable de pratiquer un sport avec des humains de niveau humain. Il s'agit d'une étape importante dans l'apprentissage et le contrôle des robots », indique le rapport. L'agent robotique a affiché des performances remarquables dans une série de matchs contre des humains.

Dans un test impliquant 29 participants humains de différents niveaux de compétences, le robot a remporté 45 % de ses matchs, faisant preuve d'un niveau "solide" de jeu amateur. Il a notamment obtenu un taux de victoire de 100 % contre les débutants et de 55 % contre les joueurs de niveau intermédiaire, mais a éprouvé de très grandes difficultés contre les adversaires de niveau avancé. L'équipe reconnaît qu'il y a encore de nombreuses améliorations à apporter au robot.

L'installation physique consiste en un bras robotisé à 6 degrés de liberté, l'IRB 1100, monté sur deux rails linéaires, ce qui lui permet de se déplacer librement dans un plan en 2D. Des caméras à haute vitesse suivent la position de la balle, tandis qu'un système de capture des mouvements surveille les mouvements de la pagaie de l'adversaire humain. Google DeepMind n'a pas encore nommé son robot, mais après AlphaGo (l'IA de Google DeepMind capable de jouer au jeu de Go) et AlphaZero (une variante généraliste d’AlphaGo qui a été adaptée pour jouer aux échecs), l'on pourrait être tenté de l'appeler "AlphaPong".

Cœur du système : une approche hybride basée sur l'apprentissage par renforcement

Pour créer les cerveaux qui pilotent le bras robotique, les chercheurs de Google DeepMind ont mis au point une approche à deux niveaux qui permet au robot d'exécuter des techniques de tennis de table spécifiques tout en adaptant sa stratégie en temps réel au style de jeu de chaque adversaire. En d'autres termes, le robot est suffisamment adaptable pour affronter n'importe quel amateur de tennis de table sans nécessiter d'entraînement spécifique pour chaque joueur.


L'architecture du système combine des contrôleurs de compétences de bas niveau (des politiques de réseaux neuronaux entraînés à exécuter des techniques de tennis de table spécifiques telles que les coups droits, les retours de revers ou les réponses au service) avec un décideur stratégique de haut niveau (un système d'IA complexe qui analyse l'état du jeu, s'adapte au style de l'adversaire et sélectionne la politique de compétences de bas niveau à activer pour chaque balle entrante).

Selon l'équipe, l'une des principales innovations de ce projet est la méthode utilisée pour former les modèles d'IA. Elle a choisi une approche hybride qui utilise l'apprentissage par renforcement dans un environnement physique simulé, tout en fondant les données d'entraînement sur des exemples du monde réel. Cette technique a permis au robot d'apprendre à partir d'environ 17 500 trajectoires de balles réelles, un ensemble de données assez restreint pour une tâche complexe.

L'équipe a utilisé un processus itératif pour affiner les compétences du robot. Elle a commencé par un petit ensemble de données sur le jeu humain contre humain, puis a laissé l'IA s'exprimer contre de vrais adversaires. Chaque match a généré de nouvelles données sur les trajectoires des ballons et les stratégies humaines, qui ont été réinjectées dans la simulation pour poursuivre la formation. Ce processus, répété sur sept cycles, a permis au robot d'améliorer ses performances.

Grâce à cette approche, le robot a été en mesure de s'adapter en permanence à des adversaires de plus en plus habiles et à des styles de jeu de plus en plus variés. Lors du dernier tour, l'IA avait appris plus de 14 000 balles d'échange et 3 000 services, créant ainsi un ensemble de connaissances sur le tennis de table qui l'ont aidée à combler le fossé entre la simulation et la réalité. Nvidia a également expérimenté des systèmes de physique simulée similaires, comme Eureka.

Ces systèmes de physique simulée similaires permettent à un modèle d'IA d'apprendre rapidement à contrôler un bras robotique dans un espace simulé plutôt que dans le monde réel (puisque la physique peut être accélérée à l'intérieur de la simulation et que des milliers d'essais simultanés peuvent avoir lieu). Cette méthode devrait permettre de réduire considérablement le temps et les ressources nécessaires pour former les robots à des interactions complexes à l'avenir.

De nombreux défis techniques restent à relever par les chercheurs de Google DeepMind

Les chercheurs optent souvent pour des jeux classiques comme les échecs et le Go pour tester les capacités stratégiques de l'IA, mais lorsqu'il s'agit de combiner stratégie et physique en temps réel, le tennis de table est un standard de longue date de l'industrie de la robotique. Depuis plus de quatre décennies, les ingénieurs opposent sans cesse les machines aux humains dans des séries de parties de tennis de table, en raison des exigences informatiques et physiques intenses de ce sport, qui implique une adaptation rapide aux variables dynamiques, des mouvements complexes et une coordination visuelle.

[CENTER][video=youtube_share;abi84lnjNV4]https://youtu.be[/video=youtube_share;abi84lnjnv4]...