une perception qui admet le doute
Chaque détection rapporte un intervalle de confiance, chaque piste une covariance. Le planificateur voit le doute directement.
Robotique
Apprendre aux robots à planifier sous incertitude
Recherche en IA incarnée aidant les robots à percevoir, raisonner et agir avec des boucles de rétroaction plus sûres.
L’incertitude fait partie de la perception, pas du planificateur
Les robots qui agissent dans le monde réel doivent reconnaître quand ils se trompent. Notre travail sur l’incarnation repousse l’incertitude dans la perception pour que les planificateurs puissent y réagir, puis valide tout dans des environnements réels soigneusement contrôlés avant de réinjecter les surprises dans le simulateur.
découpage conventionnel
la perception émet des estimations ponctuelles, le planificateur est censé être robuste à tout ce qu’elles ratent.
notre découpage
la perception émet directement le doute — intervalles de confiance sur les détections, covariance sur les pistes — et le planificateur est câblé pour réagir à ce doute.
Là où la boucle incarnée mérite sa sécurité
sim → réel → sim
Nous entraînons en simulation, validons dans un environnement réel soigneusement contrôlé, puis réinjectons chaque surprise dans le simulateur.
une boucle de rétroaction plus sûre
Un robot qui ne sait pas qu’il a tort est le robot dangereux. Nous récompensons les systèmes qui s’arrêtent, demandent et replanifient quand l’incertitude franchit un seuil écrit.
La boucle se resserre jusqu’à ce que l’écart soit faible
Entraîner en simulation, valider dans un environnement réel contrôlé, réinjecter chaque surprise dans le simulateur. À chaque cycle, l’écart à la réalité se réduit.
La table des détections est la table des actions
La même scène que dans l’en-tête, décomposée selon la vue du contrôleur : détection, confiance, décision, classe de politique. Un inconnu à faible confiance ne devient pas un plan exécuté.
détection confiance décision classe de politique urgence
d1 · box 0.92 pick execute low
d2 · human 0.78 stop & yield override high
d3 · unknown 0.41 pause · ask escalate medium
Une perception qui admet le doute
Les robots qui agissent dans le monde réel doivent reconnaître quand ils se trompent. Notre stack de perception rapporte l’incertitude aux côtés de chaque détection pour que les planificateurs puissent y réagir.
Sim, puis réel, puis sim
Nous entraînons en simulation, validons dans des environnements réels soigneusement contrôlés, puis réinjectons les surprises dans le simulateur. La boucle se resserre jusqu’à ce que l’écart soit faible.
recoupements
L’incertitude incarnée n’est que de la calibration avec une échéance
La même discipline de calibration qui apparaît dans nos prévisions climatiques et notre bibliothèque d’évaluation se traduit ici par une loi de commande : quand la bande est large, le robot cède.