Dans les cieux vastes et expansifs où les oiseaux régnaient autrefois en maîtres, une nouvelle génération d'aviateurs prend son envol. Ces pionniers de l'air ne sont pas des créatures vivantes, mais plutôt le produit d'une innovation délibérée : les drones. Mais ce ne sont pas vos robots volants typiques, bourdonnant comme des abeilles mécaniques. Ce sont plutôt des merveilles d'inspiration aviaire qui planent dans le ciel, guidées par des réseaux de neurones liquides pour naviguer dans des environnements en constante évolution et invisibles avec précision et facilité.

Inspirés par la nature adaptable des cerveaux organiques, les chercheurs du laboratoire d'informatique et d'intelligence artificielle (CSAIL) du MIT ont introduit une méthode permettant aux agents de navigation aérienne robustes de maîtriser les tâches de vol vers la cible basées sur la vision dans des environnements complexes et inconnus. Les réseaux de neurones liquides, qui peuvent s'adapter en permanence aux nouvelles entrées de données, ont montré des prouesses pour prendre des décisions fiables dans des domaines inconnus comme les forêts, les paysages urbains et les environnements avec bruit, rotation et occlusion supplémentaires. Ces modèles adaptables, qui ont surpassé de nombreux homologues de pointe dans les tâches de navigation, pourraient permettre des applications potentielles de drones dans le monde réel comme la recherche et le sauvetage, la livraison et la surveillance de la faune.

L'étude récente des chercheurs, publiée aujourd'hui dans Robotique scientifique, détaille comment cette nouvelle génération d'agents peut s'adapter aux changements importants de distribution, un défi de longue date dans le domaine. Cependant, la nouvelle classe d'algorithmes d'apprentissage automatique de l'équipe capture la structure causale des tâches à partir de données non structurées de grande dimension, telles que les entrées de pixels d'une caméra montée sur un drone. Ces réseaux peuvent alors extraire des aspects cruciaux d'une tâche (c'est-à-dire comprendre la tâche à accomplir) et ignorer les fonctionnalités non pertinentes, permettant aux compétences de navigation acquises de transférer des cibles de manière transparente vers de nouveaux environnements.

"Nous sommes ravis de l'immense potentiel de notre approche de contrôle basée sur l'apprentissage pour les robots, car elle jette les bases pour résoudre les problèmes qui surviennent lors de la formation dans un environnement et du déploiement dans un environnement complètement distinct sans formation supplémentaire", déclare Daniela Rus, CSAIL directeur et professeur Andrew (1956) et Erna Viterbi de génie électrique et d'informatique au MIT.

"Nos expériences démontrent que nous pouvons apprendre efficacement à un drone à localiser un objet dans une forêt pendant l'été, puis déployer le modèle en hiver, avec des environnements très différents, ou même en milieu urbain, avec des tâches variées telles que rechercher et suivre. Cela l'adaptabilité est rendue possible par les fondements causals de nos solutions. Ces algorithmes flexibles pourraient un jour aider à la prise de décision basée sur des flux de données qui changent au fil du temps, comme les diagnostics médicaux et les applications de conduite autonome."

Un défi de taille était au premier plan : les systèmes d'apprentissage automatique comprennent-ils la tâche qui leur est confiée à partir des données lorsqu'ils font voler des drones vers un objet non étiqueté ? Et seraient-ils capables de transférer leurs compétences et leurs tâches acquises dans de nouveaux environnements avec des changements drastiques de décor, comme voler d'une forêt à un paysage urbain ?

De plus, contrairement aux capacités remarquables de nos cerveaux biologiques, les systèmes d'apprentissage en profondeur ont du mal à capturer la causalité, sur-ajustant fréquemment leurs données d'entraînement et ne parvenant pas à s'adapter à de nouveaux environnements ou à des conditions changeantes. Cela est particulièrement troublant pour les systèmes embarqués à ressources limitées, comme les drones aériens, qui doivent traverser des environnements variés et réagir instantanément aux obstacles.

Les réseaux liquides, en revanche, offrent des indications préliminaires prometteuses sur leur capacité à remédier à cette faiblesse cruciale des systèmes d'apprentissage en profondeur. Le système de l'équipe a d'abord été formé sur les données recueillies par un pilote humain, pour voir comment il a transféré les compétences de navigation apprises vers de nouveaux environnements sous des changements drastiques de paysage et de conditions. Contrairement aux réseaux neuronaux traditionnels qui n'apprennent que pendant la phase de formation, les paramètres du réseau neuronal liquide peuvent changer au fil du temps, ce qui les rend non seulement interprétables, mais aussi plus résistants aux données inattendues ou bruyantes.

Dans une série d'expériences de contrôle en boucle fermée quadrotor, les drones ont subi des tests de portée, des tests de stress, une rotation et une occlusion de cible, une randonnée avec des adversaires, des boucles triangulaires entre des objets et un suivi dynamique de cible. Ils ont suivi des cibles en mouvement et exécuté des boucles en plusieurs étapes entre des objets dans des environnements jamais vus auparavant, surpassant les performances d'autres homologues de pointe.

L'équipe estime que la capacité d'apprendre à partir de données d'experts limitées et de comprendre une tâche donnée tout en généralisant à de nouveaux environnements pourrait rendre le déploiement de drones autonomes plus efficace, rentable et fiable. Les réseaux de neurones liquides, ont-ils noté, pourraient permettre aux drones de mobilité aérienne autonomes d'être utilisés pour la surveillance de l'environnement, la livraison de colis, les véhicules autonomes et les assistants robotiques.

"La configuration expérimentale présentée dans notre travail teste les capacités de raisonnement de divers systèmes d'apprentissage en profondeur dans des scénarios contrôlés et simples", déclare Ramin Hasani, affilié de recherche du MIT CSAIL. "Il reste encore tellement de place pour la recherche et le développement futurs sur des défis de raisonnement plus complexes pour les systèmes d'IA dans les applications de navigation autonomes, qui doivent être testés avant de pouvoir les déployer en toute sécurité dans notre société."

"L'apprentissage robuste et les performances dans les tâches et les scénarios hors distribution sont quelques-uns des problèmes clés que l'apprentissage automatique et les systèmes robotiques autonomes doivent surmonter pour faire de nouvelles percées dans les applications critiques pour la société", déclare Alessio Lomuscio, professeur de sécurité de l'IA à le département d'informatique de l'Imperial College de Londres.

"Dans ce contexte, la performance des réseaux de neurones liquides, un nouveau paradigme inspiré du cerveau développé par les auteurs du MIT, rapporté dans cette étude est remarquable. Si ces résultats sont confirmés dans d'autres expériences, le paradigme développé ici contribuera à faire de l'IA et des systèmes robotiques plus fiables, robustes et efficaces."

De toute évidence, le ciel n'est plus la limite, mais plutôt un vaste terrain de jeu pour les possibilités illimitées de ces merveilles aériennes.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche, de l'innovation et de l'enseignement au MIT.