Un Robot de Tennis de Table Entraîné par Google DeepMind
Une Révolution dans le Sport Robotique
Avez-vous déjà imaginé affronter un robot au tennis de table ? Google DeepMind a récemment annoncé avoir formé un robot capable de jouer à ce sport à un niveau compétitif amateur. C’est une première dans le domaine, où un robot est entraîné pour rivaliser avec des humains à un niveau comparable.
Performances Impressionnantes
Les chercheurs ont réussi à faire en sorte qu’un bras robotique, équipé d’une raquette imprimée en 3D, remporte 13 des 29 matchs contre des adversaires humains de divers niveaux. Cette étude a été publiée dans un article sur Arxiv.
Bien que le robot ait montré des capacités prometteuses, il n’est pas encore parfait. Il a battu tous les joueurs débutants qu’il a affrontés et a remporté 55 % des matchs contre des amateurs, mais il a perdu tous ses duels contre des joueurs avancés. Néanmoins, ces résultats sont encourageants.
Une Avancée Technologique
« Il y a quelques mois, nous pensions que le robot ne pourrait pas gagner contre des personnes qu’il n’avait jamais affrontées auparavant. Le système a largement dépassé nos attentes », déclare Pannag Sanketi, ingénieur logiciel senior chez Google DeepMind et responsable du projet. « La manière dont le robot a su surpasser même des adversaires forts était incroyable. »
Cette recherche ne se limite pas à un simple divertissement. Elle représente une avancée vers la création de robots capables d’effectuer des tâches utiles avec compétence et sécurité dans des environnements réels, comme les foyers ou les entrepôts. Lerrel Pinto, chercheur en informatique à l’Université de New York, souligne que l’approche de Google DeepMind peut être appliquée à de nombreux autres domaines de la robotique.
Les Défis de l’Entraînement
Pour devenir un joueur de tennis de table compétent, il est essentiel de posséder une excellente coordination œil-main, une rapidité de mouvement et la capacité de prendre des décisions rapides en réponse à l’adversaire. Ces compétences représentent des défis majeurs pour les robots. Les chercheurs de Google DeepMind ont utilisé une méthode en deux étapes pour entraîner le système à imiter ces capacités : d’abord, des simulations informatiques pour maîtriser les compétences de frappe, puis un ajustement basé sur des données du monde réel, permettant ainsi une amélioration continue.
Une Base de Données Riche
Les chercheurs ont constitué un ensemble de données sur les états des balles de tennis de table, incluant des informations sur la position, la rotation et la vitesse. Le robot a utilisé cette bibliothèque dans un environnement simulé, conçu pour refléter fidèlement la physique des matchs de tennis de table, afin d’apprendre des compétences telles que le retour de service ou les coups de topspin. Étant donné que le robot ne pouvait pas servir, les matchs réels ont été adaptés en conséquence.
Un Système d’Amélioration Continue
Lors de ses matchs contre des humains, le robot collecte des données sur ses performances pour affiner ses compétences. Il suit la position de la balle grâce à des caméras et analyse le style de jeu de son adversaire à l’aide d’un système de capture de mouvement. Ces données sont réinjectées dans la simulation pour l’entraînement, créant ainsi une boucle de rétroaction continue.
Cette rétroaction permet au robot d’expérimenter de nouvelles compétences pour tenter de battre son adversaire, ajustant ainsi ses tactiques et son comportement comme le ferait un humain. Cela lui permet de s’améliorer progressivement, tant au cours d’un match donné qu’au fil du temps.
Les Limites à Surmonter
Le système a rencontré des difficultés pour frapper la balle lorsqu’elle était frappée très rapidement, hors de son champ de vision, ou très bas, en raison d’un protocole qui l’empêche de provoquer des collisions pouvant endommager sa raquette. Les balles avec effet ont également posé problème, car le robot ne pouvait pas mesurer directement la rotation, une limitation que les joueurs avancés ont su exploiter.
Chris Walti, fondateur de la société de robotique Mytra et ancien responsable de l’équipe de robotique de Tesla, souligne que simuler toutes les éventualités dans un environnement virtuel est un véritable défi. « Il est très difficile de simuler le monde réel en raison de toutes les variables, comme un coup de vent ou même de la poussière sur la table », explique-t-il.
Perspectives d’Amélioration
Google DeepMind envisage plusieurs solutions pour surmonter ces limitations, notamment le développement de modèles d’IA prédictifs capables d’anticiper la trajectoire de la balle et l’introduction d’algorithmes de détection de collision plus performants.
Une Expérience Appréciée par les Joueurs
Les joueurs humains ont trouvé du plaisir à s’affronter avec le bras robotique. Même les compétiteurs avancés, qui ont réussi à le battre, ont déclaré que l’expérience était amusante et engageante, et qu’ils voyaient un potentiel pour le robot en tant que partenaire d’entraînement dynamique pour améliorer leurs compétences.
« J’aimerais vraiment l’avoir comme partenaire d’entraînement, quelqu’un avec qui jouer de temps en temps », a déclaré l’un des participants à l’étude.
