Des chercheurs ont présenté PhysEvo, un système qui intègre un modèle robotique figé dans une boucle d’autodiagnostic et de révision des outils. Un agent chargé de la tâche pilote le robot, puis un méta-agent analyse les erreurs, modifie les outils ou les compétences et teste les corrections. La boucle peut aussi améliorer les méthodes de diagnostic du méta-agent lui-même. Les progrès s’accumulent ainsi sans modifier les poids du modèle sous-jacent.
Quels sont les résultats ?
Sur le benchmark RoboDojo, PhysEvo a été évalué sur 42 tâches dans des configurations inédites. Les versions conservées de l’agent ont obtenu une note moyenne de 68.14 sur 100 et réussi 62 % des tâches. À titre de comparaison, le meilleur agent Astra à exécution unique publié, RoboDawn, a réussi 47.17 % des mêmes tâches. Sur huit tâches de manipulation particulièrement difficiles, PhysEvo a atteint un taux de réussite de 55 %, contre seulement 1.25 % pour la référence utilisant Astra directement.
De la simulation au robot réel
L’équipe a transféré sur un robot AgileX PiPER le système de commande mis au point en simulation, puis a continué à réviser les compétences sur le matériel réel. Sur cinq tâches en conditions réelles et 25 essais, le robot a obtenu une note moyenne de 90.60 et réussi 84 % des tâches.
Pourquoi c'est important
Pour les développeurs en robotique, PhysEvo montre qu’il est possible d’améliorer les capacités d’un modèle d’IA statique sans réentraînement coûteux, ce qui permet d’économiser du temps de calcul et des données. Le système laisse aussi entrevoir la possibilité de mettre à niveau des robots existants grâce à une boucle d’autodiagnostic similaire et de prolonger ainsi leur durée de vie utile. Une validation indépendante en conditions réelles reste toutefois nécessaire.
