Résultats, limites et perspectives

La réalisation concrète de l'ensemble du système : perception vidéo, apprentissage et action robotique a été un succès. Notre robot a réussi à apprendre à pousser des objets sur une aire de 25 cm de coté pour former des paires de formes identiques. L'apprentissage par renforcement est assez rapide (environs deux heures pour apprendre l'ensemble des situations possible) dans la mesure où le système n'effectue que trois à quatre actions par minute. Le robot était alors en mesure de rassembler chaque paire en une dizaine d'actions. Par contre, l'apprentissage par renforcement retardé et le qlearning sont beaucoup plus long et le comportement appris ne se révèle pas plus efficace pour le problème donné.

L'algorithme d'apprentissage a montré sa robustesse face aux erreurs de perception et le système n'a jamais été bloqué par une situation inattendue ( objet en bordure de zone perceptible, objet en limite de zone atteignable par le robot... ).

Toutefois, il ne considère que deux objets à la fois et un objet intrus présent sur la trajectoire de l'objet déplacé ne sera pas perçu comme un obstacle. Et, lorsqu'il sera en contact avec celui-ci, le programme agira comme s'il venait de former un couple ( Le nombre d'objets perçus ayant diminué de 1). Cette situation est cependant récupérable si le robot au cours de ses actions ultérieurs, sépare les deux pièces en question.

La durée d'analyse de l'image et d'extraction de l'information doit être accélérée si l'on souhaite effectuer des apprentissages plus subtils et donc plus long. Ceci pourra être fait par l'utilisation d'un ordinateur plus puissant qui amènera le temps de perception négligeable face au temps d'action qui lui est incompressible et dû aux propriétés mécaniques du robot utilisé.

Enfin, il peut être encore tôt pour envisager des applications à grande échelle et industrielles de ce type d'outils. En effet il est rarement possible de pouvoir effectuer un tel apprentissage coûteux en temps et qui de plus peut être destructif : on ne peut pas sacrifier un stock de pièces pour apprendre à les manipuler. Cela reste, toutefois un axe d'étude à ne pas négliger si on s'intéresse aux problèmes rencontrés dans des environnements changeant, où la machine doit souvent affronter des situations inconnues. On se trouve toujours confronté au dilemme spécialisation/robustesse de l'outil.