Des chercheurs ont présenté MessyNav, un cadre qui aide les robots mobiles à se déplacer dans des espaces encombrés en déterminant quoi faire des obstacles qui se trouvent sur leur chemin. Il s’appuie sur un modèle vision-langage — un système qui interprète des images et du texte — pour évaluer les objets avant de décider s’il faut les pousser sur le côté, les ramasser ou les éviter.
Lors d’essais menés avec un véritable robot, l’équipe fait état d’une hausse de 27 points de pourcentage du taux de réussite par rapport à sa meilleure méthode de référence. Les chercheurs rapportent également des gains statistiquement significatifs lors d’une évaluation hors ligne de plus grande ampleur, sans entraînement spécifique aux tâches.
Pourquoi c'est important
Pour les équipes qui développent des robots destinés aux maisons ou à d’autres espaces encombrés, MessyNav offre un moyen de choisir entre déplacer les objets et les éviter, sans entraînement spécifique aux tâches. Le résumé ne permet toutefois pas de déterminer dans quelle mesure le système fonctionne en dehors des évaluations présentées.
