Une chaire d’Excellence France-Nokia pour des robots plus efficaces
La Chaire d’Excellence France-Nokia en Technologies de l’Information et de la Communication (ICT) offre une opportunité unique à d’éminents scientifiques de nationalité française de s’engager dans une collaboration de recherche internationale. Le projet de recherche porté par Nicolas Mansard, directeur de recherche CNRS au Laboratoire de recherche spécialisé dans l’analyse et l’architecture des systèmes (LAAS-CNRS), s'appuie sur une mobilité de 4 mois à l'Université Aalto de Finlande, dans le groupe de Ville Kyrki, soutenu par la fondation Nokia en partenariat avec l'Institut Français de Finlande. Il s’inscrit dans une transformation rapide de la robotique, portée par les progrès récents de l’intelligence artificielle.
Aujourd’hui, les robots sont capables d’apprendre à se déplacer ou manipuler des objets grâce à des techniques dites d’apprentissage par renforcement, qui reposent sur l’essai-erreur. Cependant, ces approches restent limitées : elles nécessitent un très grand nombre d’essais, sont instables et peinent à se généraliser à de nouvelles situations. Un autre verrou majeur concerne l’absence de modèles généraux comparables à ceux qui ont révolutionné le traitement du langage ou de l’image. En robotique, il n’existe pas encore de « modèles de fondation » capables d’apprendre des comportements variés à grande échelle et de les réutiliser efficacement sur différents robots.
Le projet Advancing Reinforcement Learning Toward Foundation Models in Robotics vise précisément à lever ces verrous. D’une part, il propose de rendre l’apprentissage des robots beaucoup plus efficace en introduisant des méthodes d’optimisation issues des mathématiques et du contrôle. L’idée est de guider l’apprentissage avec des informations structurées (comme des gradients ou des contraintes physiques), plutôt que de s’appuyer uniquement sur des essais aléatoires. Cela permettrait de réduire drastiquement le nombre d’expériences nécessaires et d’obtenir des comportements plus fiables. D’autre part, le projet explore une direction plus ambitieuse : utiliser de grandes quantités de données issues du web, notamment des vidéos, pour apprendre aux robots à se mouvoir. Par exemple, il devient possible d’extraire des principes de locomotion à partir de vidéos d’animaux, puis de les transférer vers des robots, même si leur morphologie est différente. Cette capacité de « transfert entre corps » constitue une avancée clé vers des robots plus adaptables.
Au-delà des résultats techniques, ce travail ouvre la voie à une nouvelle génération de robots plus polyvalents, capables d’intervenir dans des environnements complexes, que ce soit en industrie, en mobilité ou en assistance. Il contribue également à structurer une collaboration européenne autour de ces enjeux, afin de développer des alternatives aux grandes plateformes technologiques existantes. Le projet intègre enfin une réflexion sur ses impacts sociétaux : transformation du travail, usages potentiels sensibles, ou encore coût environnemental. L’objectif est de développer ces technologies de manière responsable, en anticipant leurs conséquences et en favorisant leur appropriation par le plus grand nombre.