Pourquoi le Q-learning est-il difficile dans un robot réel ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
Le Q-learning est difficile sur un robot réel parce que chaque essai coûte du temps, use le matériel et peut provoquer une collision avant que la stratégie soit apprise.
Apprendre par essais et récompenses
Le robot estime la valeur d’une action dans un état, puis ajuste cette estimation après chaque résultat. Pour apprendre, il doit explorer des actions dont il ignore encore le risque.
Apprendre à doser une poussée
En simulation, un bras peut tester plusieurs forces pour déplacer un palet. Sur le robot, une poussée trop forte peut faire tomber le palet ou solliciter la mécanique bien avant d’obtenir assez d’essais.La simulation n’est jamais parfaite
Frottements, délais et objets réels diffèrent du modèle. Il faut transférer prudemment la politique, limiter les actions et conserver un contrôleur de sécurité indépendant.
Sources et références
- [1] Human-robot interaction — NIST