NVIDIA teste un cadre logiciel pour robots physiques auto-améliorants

NVIDIA a présenté ENPIRE, un cadre logiciel conçu pour permettre à des robots physiques d’expérimenter et d’améliorer leurs performances de manière autonome, en s’inspirant des boucles d’apprentissage des agents IA. Ce système repose sur quatre modules : un module Environment pour la réinitialisation et la vérification automatique, un module Policy Improvement pour affiner les stratégies, un module Rollout pour évaluer les politiques avec un ou plusieurs robots en parallèle, et un module Evolution pour analyser les logs, consulter la littérature et améliorer l’infrastructure de formation. L’objectif est de minimiser l’intervention humaine en automatisant l’évaluation des résultats et la réinitialisation des scènes après chaque essai.

ENPIRE fonctionne selon un principe de boucle fermée : des robots physiques, supervisés par un agent, tentent d’accomplir des tâches en testant différentes stratégies. Le système évalue leurs performances et réinitialise automatiquement l’environnement en cas d’échec. Les chercheurs soulignent que cette approche transforme l’apprentissage robotique en un processus d’optimisation contrôlable, tout en permettant des comparaisons équitables entre différentes recettes de formation et variantes d’agents. Les tâches testées incluent des manipulations dextres comme le déplacement d’objets, l’organisation d’épingles dans une boîte ou la découpe d’une attache-câble, avec des taux de réussite pouvant atteindre 99 % dans certains cas.

Sur le plan matériel, chaque station de test est équipée de deux bras robotisés YAM (Yet Another Manipulator) en configuration bimanuelle, de caméras et d’une station de travail dotée d’un serveur FastAPI, d’un module d’inférence de politique et d’un agent. Chaque station utilise un GPU NVIDIA RTX 5090 pour exécuter les calculs nécessaires. Les auteurs précisent que la complexité des tâches réalisables dépend directement de la capacité à automatiser l’évaluation et la réinitialisation, des étapes historiquement gourmandes en ressources humaines.