1X Technologies dévoile des robots à apprentissage autonome pour tâches physiques

Des chercheurs de 1X Technologies, en collaboration avec des équipes de NVIDIA, ont présenté un système permettant à des robots physiques d’apprendre de manière autonome à réaliser des tâches complexes en manipulant des objets. Baptisé ENPIRE, ce framework repose sur un cycle d’expérimentation et d’exécution en boucle fermée, inspiré des méthodes utilisées par les agents d’IA pour optimiser leurs performances.

Le système ENPIRE s’articule autour de quatre modules principaux : un module Environnement pour la réinitialisation et la vérification automatique, un module Amélioration des politiques pour affiner les stratégies, un module Exécution pour évaluer les politiques avec un ou plusieurs robots en parallèle, et un module Évolution où des agents analysent les logs, consultent la littérature scientifique et améliorent l’infrastructure de formation. Les robots tentent de réaliser des tâches en testant différentes approches, échouent, apprennent de leurs erreurs et recommencent, le tout sans intervention humaine directe. L’objectif est de transformer l’apprentissage robotique en un processus optimisable et contrôlable, réduisant ainsi l’effort humain tout en permettant des comparaisons entre différentes méthodes d’entraînement.

Les tâches testées incluent des manipulations dextres comme le déplacement d’objets (PushT), l’organisation d’épingles dans une boîte, la découpe d’un collier de serrage ou l’insertion de composants électroniques sur une carte mère. Les résultats montrent une réussite de 99 % sur certaines tâches simples, bien que les auteurs soulignent que la complexité des tâches réalisables dépendra de la capacité à automatiser l’évaluation des résultats et la réinitialisation des scènes. Chaque poste de travail est équipé de deux bras robotisés YAM (Yet Another Manipulator) et d’une station de calcul dotée d’une carte NVIDIA RTX 5090.

Ces avancées suggèrent une étape vers des robots capables de s’adapter et de s’améliorer en continu dans des environnements réels, mais restent limitées à des scénarios contrôlés et des tâches spécifiques.