Génération autonome et en ligne de compétences déduisant des actions adaptées aux états contextuels de bas niveau et de haut niveau

Les robots sont censés nous aider dans nos tâches quotidiennes. À cette fin, ils peuvent devoir effectuer différentes tâches dans des scénarios changeants. Le nombre de scénarios dissemblables auxquels un robot peut faire face est illimité. Par conséquent, il est plausible de penser qu’un robot doit apprendre de manière autonome pour effectuer des tâches. Une tâche consiste à générer un changement attendu, c’est-à-dire un effet, dans l’environnement, la configuration du robot, ou les deux. Par conséquent, le robot doit apprendre à effectuer la bonne action sur l’environnement pour obtenir l’effet attendu. Une approche de l’apprentissage de ces actions est à travers une interaction continue du robot avec son environnement en se concentrant sur ces actions produisant des effets sur l’environnement. La relation acquise de l’application d’une action sur un objet pour obtenir un effet est appelée affordance. Au cours des dernières années, de nombreux efforts de recherche ont été consacrés à l’apprentissage des affordances. Les travaux connexes couvrent l’apprentissage de simples actions saissir sur des scénarios de table à la définition d’architectures cognitives complexes. Ces travaux s’appuient sur différents blocs de construction, comme méthodes de vision pour identifier la position des objets ou des compétences sensorimotrices prédéfinies pour générer des effets sur un environnement contraint. L’utilisation d’actions prédéfinies facilite l’apprentissage des affordances, produisant une information riche et cohérente des changements produits sur un objet. Cependant, nous affirmons que l’utilisation de ces actions limite l’évolutivité des expériences disponibles aux environnements dynamiques et bruyants. Le travail actuel porte sur l’apprentissage autonome d’un ensemble de compétences sensorimotrices à travers des interactions avec un environnement. Chaque compétence doit générer une action continue pour reproduire un effet sur un objet, adapté à la position de l’objet. En outre, chaque compétence est simultanément adaptée aux perturbations de bas niveau, par ex. un changement dans la position de l’objet, et des changements contextuels de haut niveau, par ex. un poêle s’allume [...]Robots are expected to assist us in our daily tasks. To that end, they may need to perform different tasks in changing scenarios. The number of dissimilar scenarios a robot can face is unlimited. Therefore, it is plausible to think that a robot must learn autonomously to perform tasks. A task consists in generating an expected change, i.e. an effect, in the environment, the robot configuration, or both. Therefore, the robot must learn to perform the right action on the environment to obtain the expected effect. An approach to learning these actions is through a continuous interaction of the robot with its environment focusing on those actions producing effects on the environment. The acquired relation of applying an action on an object to obtain an effect is called affordance. During the last years many Research efforts were devoted toaffordance learning. Related works cover from the learning of simple push actions on tabletop scenarios to the definition of complex cognitive architectures. These works rely on different building blocks, as vision methods to identify the position of the objects or predefined sensorimotor skills to generate effects on a constrained environment. The use of predefined actions eases the learning of affordances, producing a rich and consistent information oft he changes produce don an object. However, we claim that the use of these actions constrains the scalability of the available experiments to dynamic and noisy environments. The current work addresses the autonomous learning of a set of sensorimotor skills through interactions with an environment. Each skill must generate a continuous action to reproduce an effect on an object, adapted to the object position. Besides, each skill is simultaneously adapted to low level perturbations, e.g. a change in the object position, and high-level contextual changes, e.g. a stove gets on [...