Réponse rapide
L’apprentissage robotique permet d’estimer une perception, une prédiction ou une politique à partir de données et d’essais, afin d’adapter le robot à des situations variées. Il complète les règles et contrôleurs qui bornent l’action. Données, objectif, métrique, contexte et repli doivent être définis avant de considérer un modèle utile.
Relier données, modèle et commande
Capteurs, labels, représentation, modèle, décision et contrôleur sont séparés par des interfaces et limites. L’objectif d’apprentissage indique ce qui est optimisé et ce qui reste interdit. Versions, provenance et conditions d’emploi sont enregistrées.
Apprendre puis vérifier dans le monde réel
Simulation, banc et essais supervisés explorent variations de lumière, sol, charge, personnes et capteurs. Le robot mesure qualité, latence, énergie et effet physique. Une incertitude élevée conduit à abstention ou à une commande plus prudente.
Ne pas confondre amélioration statistique et sécurité
Un modèle peut réduire une erreur moyenne tout en échouant sur un cas critique. Contraintes, supervision et arrêt ne sont pas appris sans preuve spécifique. Les limites du domaine restent visibles.
Sources et références
- [1] Artificial intelligence and robotics — NIST