Meta AI présente Habitat 3.0, Habitat Synthetic Scenes Dataset et HomeRobot 3 grandes avancées dans le développement des agents d’IA sociale incarnés.

Les grandes avancées de Meta AI Habitat 3.0, Habitat Synthetic Scenes Dataset et HomeRobot dans le développement des agents d'IA sociale incarnés

La recherche sur l’intelligence artificielle de Facebook (FAIR) est dédiée à l’avancement du domaine de la robotique socialement intelligente. L’objectif principal est de développer des robots capables d’aider aux tâches quotidiennes tout en s’adaptant aux préférences uniques de leurs partenaires humains. Le travail implique de plonger dans les systèmes intégrés pour établir les bases de la prochaine génération d’expériences de réalité augmentée et virtuelle. Le but est de faire des robots une partie intégrante de notre vie, en réduisant la charge des tâches routinières et en améliorant la qualité de vie des individus. L’approche multifacette de FAIR met l’accent sur l’importance de fusionner l’intelligence artificielle, la réalité augmentée, la réalité virtuelle et la robotique pour créer un avenir où la technologie améliore nos expériences quotidiennes de manière transparente et nous donne des pouvoirs de manière inimaginable auparavant.

FAIR a réalisé trois avancées significatives pour relever les défis de l’évolutivité et de la sécurité dans la formation et les tests des agents d’intelligence artificielle dans des environnements physiques :

  1. Habitat 3.0 est un simulateur de haute qualité pour les robots et les avatars, facilitant la collaboration homme-robot dans un cadre similaire à une maison.
  2. Le jeu de données de scènes synthétiques Habitat (HSSD-200) est un jeu de données 3D conçu par des artistes pour fournir une généralisation exceptionnelle lors de la formation d’agents de navigation.
  3. La plateforme HomeRobot offre un assistant robot domestique abordable pour les tâches de vocabulaire ouvert dans des environnements simulés et réels, accélérant ainsi le développement d’agents d’intelligence artificielle capables d’aider les humains.

Habitat 3.0 est un simulateur conçu pour faciliter la recherche en robotique en permettant des tests rapides et sûrs d’algorithmes dans des environnements virtuels avant de les déployer sur des robots physiques. Il permet la collaboration entre les humains et les robots tout en effectuant des tâches quotidiennes et comprend des avatars humanoïdes réalistes pour permettre la formation d’intelligence artificielle dans des contextes similaires à une maison. Habitat 3.0 propose des tâches de référence qui favorisent les comportements de collaboration robot-humain dans des scénarios en intérieur réels, tels que le nettoyage et la navigation, ouvrant ainsi de nouvelles perspectives pour explorer l’intelligence artificielle socialement incarnée.

Le HSSD-200 est un jeu de données de scènes synthétiques 3D qui offre une option plus réaliste et compacte pour la formation des robots dans des environnements simulés. Il comprend 211 ensembles 3D de haute qualité reproduisant des intérieurs physiques et contient 18 656 modèles de 466 catégories sémantiques. Bien qu’il soit à plus petite échelle, les agents de navigation ObjectGoal formés sur HSSD-200 ont des performances comparables à ceux introduits dans des jeux de données beaucoup plus grands. Dans certains cas, la formation sur seulement 122 scènes HSSD-200 surpasse les agents formés sur 10 000 scènes de jeux de données précédents, démontrant son efficacité dans la généralisation aux scénarios du monde réel.

Dans le domaine de la recherche en robotique, disposer d’une plateforme partagée est crucial. HomeRobot cherche à répondre à ce besoin en définissant des tâches motivantes, en fournissant des interfaces logicielles polyvalentes et en favorisant l’engagement de la communauté. La manipulation mobile avec vocabulaire ouvert sert de tâche motivante, mettant les robots au défi de manipuler des objets dans des environnements divers. La bibliothèque HomeRobot prend en charge la navigation et la manipulation pour Stretch de Hello Robot et Spot de Boston Dynamics, tant dans des environnements simulés que réels, favorisant ainsi la reproduction des expériences. La plateforme met l’accent sur la transférabilité, la modularité et les agents de référence, avec un test démontrant un taux de réussite de 20 % dans des tests du monde réel.

Le domaine de la recherche en intelligence artificielle incarnée évolue constamment pour répondre aux environnements dynamiques qui impliquent des interactions homme-robot. La vision de Facebook AI pour développer des robots socialement intelligents ne se limite pas aux scénarios statiques. Au contraire, leur objectif est la collaboration, la communication et la prédiction des états futurs dans des environnements dynamiques. Pour y parvenir, les chercheurs utilisent Habitat 3.0 et HSSD-200 comme outils pour former des modèles d’intelligence artificielle dans la simulation. Leur but est d’aider et de s’adapter aux préférences humaines tout en déployant ces modèles formés dans le monde réel pour évaluer leurs performances et capacités réelles.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Découvrez DevOpsGPT un système multi-agent qui combine LLM avec des outils DevOps pour convertir les exigences en langage naturel en logiciel fonctionnel.

DevOpsGPT combine les modèles de langage de grande taille (LLM) et les outils DevOps pour créer une solution d’...

Science des données

Extensions Chrome d'IA pour la feuille de triche des scientifiques des données

La dernière fiche de triche d'IPGirl vous présente une impressionnante sélection d'outils et de ressources avancés co...

AI

La vision du Premier ministre Modi pour la réglementation de l'IA en Inde Sommet B20 2023

Alors que le sommet B20 Inde 2023 touchait à sa fin à Delhi, les échos des paroles du Premier ministre Narendra Modi ...

AI

Une technique de cartographie de la posture pourrait évaluer à distance les patients atteints de paralysie cérébrale

La méthode d'apprentissage automatique fonctionne sur la plupart des appareils mobiles et pourrait être étendue pour ...

Apprentissage automatique

Le programme MIT-Takeda entame sa quatrième année avec une série de 10 nouveaux projets.

Le programme exploite l'expertise de recherche du MIT et le savoir-faire industriel de Takeda pour la recherche en in...

AI

La machine learning traditionnelle est-elle toujours pertinente?

Découvrez pourquoi l'apprentissage automatique traditionnel reste indispensable à l'ère de l'IA génératrice et multim...