L’essor de l’intelligence artificielle révolutionne la collaboration informatique sur des tâches complexes. Cependant, les architectures traditionnelles d’agents autonomes restent rigides face aux imprévus. Pour combler ce manque d’adaptabilité, le framework SkillMAS propose une solution inédite. Ce système s’appuie sur une co-évolution coordonnée des compétences individuelles et des structures collectives.

Cette approche novatrice apporte une plasticité accrue aux équipes d’intelligence artificielle. Elle réduit les coûts élevés et les contraintes des méthodes classiques de réentraînement. De plus, cette architecture optimise le comportement global des systèmes distribués. En unifiant les échelles micro et macro, ce cadre ouvre la voie à une automatisation plus résiliente.

Évolution et limites des architectures d’agents traditionnelles

L’intégration des LLM transforme l’IA grâce à l’émergence des agents autonomes. Ces systèmes ne se contentent plus de générer du texte. Ils planifient et exécutent désormais des actions concrètes. Pour y parvenir, ils utilisent des boucles de rétroaction simples et des méthodes de réflexion comme le paradigme ReAct.

En pratique, l’architecture traduit l’intention de l’utilisateur en une suite de tâches. Ce processus associe directement la réflexion à l’appel d’outils externes. Mais ce fonctionnement linéaire peut isoler l’IA. Le succès dépend alors fortement du prompt initial et exige souvent un pilotage humain stratégique.

Face à l’imprévu, les agents classiques se heurtent vite à leur rigidité. Leurs rôles et leurs outils sont figés par les développeurs. Le système ne sait pas s’adapter et peut générer des boucles d’erreurs infinies. La consommation de jetons s’envole parfois, tendant à cantonner la technologie à des tâches balisées.

Définition globale : qu’est-ce que le framework SkillMAS ?

Le framework SkillMAS brise la rigidité des systèmes d’IA traditionnels. Son architecture non paramétrique ne modifie pas les poids des modèles de langage sous-jacents. Le système fonctionne comme une couche logicielle supérieure et intelligente. Son but principal est d’apporter plus de plasticité à l’écosystème d’agents autonomes.

Tout repose sur le concept de coévolution synchronisée. SkillMAS fait progresser en même temps les compétences individuelles et la structure globale du système. Il adapte les outils des agents aux tâches complexes tout en remodelant le collectif. Cette double transformation se fait automatiquement, sans aucune reprogrammation manuelle.

Cette mécanique s’appuie sur le couplage dynamique de deux échelles interconnectées. L’échelle micro gère et optimise les compétences techniques et réutilisables de chaque entité. L’échelle macro supervise l’organigramme général et redistribue les rôles dans l’équipe. L’une influence directement l’autre en temps réel pour garantir une agilité accrue.

Contexte historique et origine du projet SkillMAS

Le projet SkillMAS est né en mai 2026. Il est le fruit d’un partenariat entre l’Université Jiao Tong de Shanghai, l’Université du Centre-Sud et le constructeur OPPO. Les scientifiques ont combiné l’apprentissage automatique et les systèmes distribués. Ces travaux posent désormais les bases d’une nouvelle forme d’autonomie.

Leur étude détaille les mécanismes algorithmiques de cette coévolution. Sa supériorité face aux standards actuels a été prouvée en laboratoire. L’implication directe d’OPPO souligne le potentiel industriel de cette technologie. À terme, elle permettra de propulser des assistants virtuels bien plus avancés, intelligents et résilients.

Entre 2023 et 2025, la recherche restait pourtant cloisonnée. Des projets comme Voyager apprenaient aux agents à créer leurs propres outils. Des frameworks comme MetaGPT se concentraient plutôt sur le travail en équipe. SkillMAS fusionne enfin ces deux approches isolées au sein d’une architecture unifiée.

Signification sémantique et décomposition du nom SkillMAS

Le mot « Skill » désigne la compétence de l’IA. Dans l’univers des agents autonomes, ce terme a un sens technique précis. Il ne s’agit pas d’une aptitude abstraite, mais d’un bloc de code fonctionnel et documenté. Ce script permet à l’agent d’interagir directement avec son environnement numérique.

Concrètement, une compétence lui permet de trier un fichier ou d’interroger une base de données. L’agent appelle ce programme dès qu’il en a besoin. Une fois validé, l’outil rejoint une bibliothèque partagée par tout le réseau. L’IA n’a plus à réinventer la méthode, ce qui enrichit constamment sa boîte à outils.

L’acronyme « MAS » renvoie quant à lui aux systèmes multi-agents (Multi-Agent Systems). Ce concept désigne un réseau d’entités logicielles qui collaborent de manière autonome. Inspirée des organisations sociales, cette approche découpe un problème complexe en sous-tâches simples. Le nom SkillMAS exprime ainsi la gestion des compétences au service d’une intelligence collective.

Les fondements théoriques de la coévolution en intelligence artificielle

Les concepteurs du framework s’inspirent de l’évolution naturelle. En biologie, la coévolution désigne le développement simultané d’espèces interdépendantes. C’est le cas historique des fleurs et de leurs pollinisateurs. SkillMAS applique cette logique évolutive au logiciel pour dépasser la rigidité des modèles classiques.

Ici, les compétences des agents sont des outils adaptatifs individuels. L’équipe complète forme quant à elle l’écosystème global. Le framework considère qu’une compétence ne peut progresser de manière isolée. Cette approche organique ajuste en permanence le collectif selon les besoins du moment.

Ce modèle innovant repose sur la plasticité systémique. Il donne ainsi naissance à un véritable « logiciel dynamique ». Grâce à une boucle de rétroaction, la structure s’adapte en continu aux contraintes extérieures. Face aux anomalies, l’architecture se reconfigure d’elle-même pour retrouver son équilibre.

Le mécanisme d’évolution des compétences dans SkillMAS

Le processus d’évolution commence à l’échelle de l’agent individuel. Face à une tâche inédite, l’IA vérifie d’abord sa bibliothèque de compétences. Si aucun outil ne convient, le système bascule automatiquement en mode création. L’agent utilise alors la puissance du LLM pour rédiger un nouveau script informatique en Python.

Le framework teste ensuite ce code dans un environnement sécurisé pour vérifier sa stabilité. En cas de succès, le script est encapsulé avec une documentation textuelle expliquant son activation. L’outil rejoint enfin une base de données commune et partagée. Il devient immédiatement disponible pour l’ensemble du réseau d’agents.

Une compétence enregistrée n’est jamais figée et s’améliore au fil des utilisations. Le système analyse les données d’exécution pour détecter les lenteurs ou les bugs. Des agents spécialisés réécrivent le code défaillant et l’adaptent aux changements des API externes. Je pense que cette maintenance automatisée est la véritable clé pour garantir une boîte à outils toujours moderne et performante.

L’apprentissage de l’utilité pour optimiser la mémoire de travail

L’accumulation incontrôlée de connaissances est un piège pour l’intelligence artificielle. Pour l’éviter, SkillMAS utilise le concept d’apprentissage de l’utilité (Utility Learning). Cette méthode attribue une note de performance à chaque compétence créée. Le système évalue sa fréquence d’utilisation, son taux de succès et son coût en ressources.

Un outil qui résout souvent des problèmes complexes obtient un score élevé. À l’inverse, un script obsolète ou trop spécifique voit sa note baisser. Cet algorithme permet de quantifier précisément la valeur réelle des acquis. L’apprentissage de l’utilité sert alors de boussole pour guider le tri des connaissances.

Ce tri régulier évite l’inflation de compétences qui encombre d’ordinaire la mémoire des LLM. Le framework supprime les codes inutilisés et fusionne les fonctions similaires. Cette maintenance logicielle maintient la bibliothèque dans un état de légèreté optimal. L’efficacité cognitive de l’IA est ainsi préservée au fil des cycles d’apprentissage.

La restructuration dynamique de l’organisation collective des agents

L’adaptation individuelle ne suffit pas à garantir le succès collectif. SkillMAS peut donc modifier l’organigramme de son équipe en toute autonomie. Au départ, les rôles suivent un schéma standard et prédéfini. Dès que la situation se complique, le système réorganise immédiatement les fonctions selon les urgences du terrain.

La performance d’un réseau multi-agents dépend avant tout de la qualité de ses échanges. Les structures classiques imposent généralement des canaux de communication fixes et linéaires. SkillMAS brise ce modèle en faisant évoluer la topologie du réseau en temps réel. Les agents s’affranchissent ainsi d’un schéma de discussion totalement figé.

En cas de malentendu entre deux entités, le framework intervient aussitôt. Il peut couper leur lien direct et désigner un agent superviseur pour filtrer les messages. À l’inverse, il sait ouvrir un canal général pour diffuser rapidement une information critique. Cette optimisation élimine le bruit informationnel pour fluidifier l’intelligence collective.

Les spécificités techniques d’une architecture non paramétrique

Sa grande force est d’être non paramétrique. Le framework n’a pas besoin de réentraîner les modèles de langage, qui restent inchangés. Tout s’ajuste en quelques secondes grâce aux prompts et au code externe. Cette légèreté dispense d’utiliser de coûteux supercalculateurs.

Placé en couche externe, le système offre une compatibilité universelle. Il se branche sur n’importe quel LLM, propriétaire ou open-source. Si l’on change de modèle, la bibliothèque de compétences reste intacte. L’IA conserve ainsi sa mémoire organisationnelle et garantit une modularité totale.

Enfin, le framework s’appuie sur une approche guidée par l’échec (Failure-Driven). En cas de bug, le système enregistre le code fautif, les messages de la console et les échanges des agents. Une IA spécialisée décortique ces données pour trouver la source exacte du problème. Cette correction méthodique transforme chaque erreur en moteur d’évolution.

Confrontation technologique et cas d’usage applicatifs

Les anciens frameworks comme AutoGen ou CrewAI reposent sur des structures statiques. Ils imposent généralement des pipelines de prompts assez rigides. MetaGPT utilise quant à lui des procédures figées issues du monde de l’entreprise. Efficaces pour des tâches prévisibles, ces outils échouent en environnement chaotique.

Le framework de 2026 dépasse ces limites grâce à sa dynamicité synchrone. Il intègre des mécanismes uniques pour nettoyer ses outils en cours de route. Le système peut également restructurer ses équipes selon les besoins du terrain. Un groupe d’agents fixes devient ainsi une organisation fluide et auto-adaptative.

Ses applications concrètes ciblent des secteurs industriels hautement stratégiques. En génie logiciel, il crée des usines de code totalement autonomes. Grâce à l’implication d’OPPO, il s’impose aussi dans l’Internet des Objets (IoT). Le système pilote alors des flottes d’appareils en gérant instantanément les pannes.

État des lieux et modalités de déploiement de SkillMAS

Le framework traverse actuellement une phase de transition majeure. Ce projet de recherche d’avant-garde propose un code source totalement ouvert. Son niveau de maturité technique se situe encore au stade de la preuve de concept. Le système fait actuellement l’objet de validations approfondies en environnement simulé.

Il ne s’agit pas encore d’un logiciel grand public accessible sur abonnement. Les ingénieurs en IA et les laboratoires spécialisés s’en emparent d’ailleurs aujourd’hui. Ils utilisent cette architecture pour bâtir les fondations des futurs agents commerciaux. L’adoption globale s’accélère ainsi au sein de la recherche logicielle avancée.

Le déploiement technique repose principalement sur Python et des bases de données vectorielles. Connecté à des LLM performants, le système génère et exécute son code de manière autonome. Un environnement isolé de type sandbox ou Docker est donc obligatoire. Cette barrière de sécurité indispensable protège efficacement la machine hôte.

Cet article SkillMAS : quand l’IA réorganise son équipe et réécrit ses outils en temps réel a été publié sur LEBIGDATA.FR.

À quelques mois de la possible entrée en Bourse de SpaceX, qui pourrait atomiser tous les records à Wall Street, Elon Musk envisagerait de fusionner son entreprise spatiale avec xAI, qui détient notamment son intelligence artificielle Grok et le réseau social X. Une autre hypothèse sur la table est une fusion avec Tesla, déjà en Bourse. Le but : maximiser la valorisation de ses entités.

Peut-on prédire l'avenir ? À quelques heures du coup d'envoi du CES 2026, le grand événement mondial qui devrait marquer le début de la nouvelle année pour l'actualité high-tech, Numerama vous propose ses prédictions sur les tendances des prochains mois. Impossible de prédire les actualités chaudes, évidemment, mais certaines choses importantes devraient arriver en 2026.

Au-delà des débats qu’il a pu susciter, les performances du modèle DeepSeek R1, doté de capacités de raisonnement avancées, ont surpris les experts. Alors qu’il a été présenté fin janvier, l’industrie automobile chinoise s’en est très vite emparée. Du fournisseur de technologies de mobilité ECARX aux constructeurs eux-mêmes à l’image de Geely ou BYD, il a été intégré pour des applications variées allant de l’assistance à la conduite à l’amélioration des interactions entre conducteurs et véhicule.

Geely : une expérience de conduite connectée

Geely, acteur majeur de l’automobile chinoise avec des marques comme Smart, Volvo ou Zeerk, a été le premier à annoncer intégrer DeepSeek-R1 pour perfectionner Xingrui, le LLM au coeur de son système “Full-Domain AI for Smart Vehicles” présenté en janvier dernier au CES 2025.

Cette intégration permet d’améliorer la reconnaissance vocale, l’analyse des images et la gestion des données en temps réel. L’objectif est de fluidifier l’interaction entre les conducteurs et leurs véhicules, tout en optimisant la prise de décisions en temps réel, notamment pour les systèmes d’aide à la conduite.

BYD : l’IA au service de la conduite autonome

BYD(Build Your Dreams), l’un des leaders de l’automobile électrique, a intégré DeepSeek dans son système de conduite autonome de niveau 2 DiPilot (baptisé God’s Eye). Ce système repose sur une IA avancée qui permet une assistance au stationnement et une navigation autonome plus précises. L’objectif est d’améliorer la sécurité et de rendre les véhicules plus intelligents et autonomes, tout en réduisant la dépendance aux infrastructures cloud.

Great Wall Motors : des assistants virtuels améliorés

Great Wall Motors exploite DeepSeek pour entraîner son IA interne avec des données collectées, afin de développer des fonctionnalités proactives pour ses assistants embarqués. Cette approche, qui améliore l’interaction entre les conducteurs et leur véhicule, vise à rendre la conduite plus intuitive et à renforcer l’ergonomie des systèmes d’assistance.

SAIC : une expérience utilisateur plus riche

SAIC a misé sur DeepSeek pour améliorer l’expérience utilisateur de ses véhicules connectés. Son intégration de permet de répondre de manière plus précise et personnalisée aux besoins des conducteurs. Les assistants virtuels de SAIC sont désormais capables d’adapter leurs réponses et recommandations en fonction des habitudes de conduite et des préférences des utilisateurs.

Dongfeng : une conduite plus intuitive

Dongfeng a également adopté DeepSeek pour optimiser ses systèmes d’infodivertissement. Cette intégration permet d’offrir une expérience plus immersive et intuitive, avec une interaction vocale améliorée et des recommandations adaptées aux habitudes des conducteurs. L’objectif est de faciliter l’utilisation des fonctionnalités du véhicule et d’améliorer le confort de conduite.

ECARX : une IA embarquée indépendante du cloud

ECARX, fournisseur de technologies de mobilité, a choisi DeepSeek-R1 pour développer son application d’IA embarquée, ECARX AutoGPT. Cette solution permet d’exécuter des tâches complexes en local, sans dépendance aux ressources cloud. Parmi les bénéfices attendus, on retrouve une meilleure protection des données, une réduction de la latence et une diminution des coûts de transmission et de stockage.

D’autres constructeurs automobiles chinois ont l’intention eux aussi de mettre à jour leur assistant d’IA embarquée avec DeepSeek R1. Le modèle a par ailleurs été rapidement adopté dans d’autres secteurs, notamment par trois des principaux opérateurs de télécommunications : China Mobile, China Telecom et China Unicom.

Selon plusieurs sources de The Information, Google travaille au développement d’un agent d’IA capable d’utiliser un ordinateur de façon autonome. L’entreprise aurait l’intention de présenter cette technologie, connue en interne sous le nom de code “Jarvis Project”, le mois prochain en même temps que la prochaine version de son LLM Gemini qui l’alimenterait.

Plusieurs entreprises s’emploient à développer des agents d’IA autonomes pouvant, à partir d’instructions, contrôler un ordinateur et interagir en temps réel avec diverses applications. Open AI devrait d’ailleurs lui aussi en présenter un prochainement, mais Anthropic leur a volé la vedette : la version bêta de la fonctionnalité “Computer Use”, présentée la semaine dernière, permet à Claude 3.5 Sonnet d’interagir avec des interfaces graphiques en simulant les actions humaines, telles que déplacer le curseur ou cliquer sur un bouton.

Claude traduit les instructions comme “utiliser les données de mon ordinateur et les données en ligne pour remplir ce formulaire” en commandes informatiques : “vérifier une feuille de calcul, déplacer le curseur pour ouvrir un navigateur Web, naviguer vers les pages Web pertinentes, remplir un formulaire avec les données de ces pages…”.

Selon The Information, Jarvis (en référence à J.A.R.V.I.S. dans Iron Man) serait une fonctionnalité similaire à Computer Use, mais qui sera intégrée au navigateur Chrome. Gemini 2, la prochaine itération du modèle de Google qui l’alimentera, pourra effectuer des tâches telles que la recherche, l’achat d’un produit ou la réservation d’un vol.

Le système d’IA fonctionnera en prenant des « captures d’écran fréquentes » de l’écran de l’utilisateur et analysera ces images pour effectuer des actions telles que cliquer sur un bouton ou taper dans un champ de texte. Cependant, le modèle serait relativement lent, prenant quelques secondes pour décider de chaque action.

Jarvis pourrait ne pas se cantonner au navigateur web : Google travaillerait avec Anthropic pour développer un agent d’IA capable de contrôler l’ordinateur. Si Jarvis est réellement présenté en décembre prochain parallèlement à Gemini 2, ce que Google n’a d’ailleurs pas confirmé, il ne devrait cependant pas être disponible aux internautes avant un certain temps.

Salesforce a récemment annoncé deux nouveaux agents autonomes basés sur l’IA pour renforcer les équipes de vente : Einstein SDR Agent et Einstein Sales Coach Agent. Ces outils, qui seront disponibles dès octobre 2024, visent à améliorer l’efficacité des équipes de vente en automatisant certaines tâches cruciales et en fournissant un coaching personnalisé. Ils s’appuient sur la plateforme Einstein 1 Agentforce, conçue pour offrir des réponses fiables et sécurisées en intégrant des données internes et externes via la génération augmentée de récupération (RAG).

Einstein SDR Agent : automatisation des interactions avec les prospects

L’agent Einstein SDR (Sales Development Representative) est un assistant de vente virtuel capable d’engager de manière autonome les prospects entrants en temps réel. Contrairement aux chatbots traditionnels, cet agent peut répondre à des questions complexes, gérer les objections, et même programmer des rendez-vous avec les représentants commerciaux humains. Les équipes de vente peuvent ainsi se concentrer sur les transactions à haute valeur ajoutée, tandis qu’Einstein SDR gère les tâches chronophages en amont de l’entonnoir de vente. Avec sa capacité à gérer plusieurs prospects simultanément sur divers canaux et en plusieurs langues, Einstein SDR représente une avancée majeure dans l’automatisation des processus de vente.

Einstein Sales Coach Agent : un coach virtuel pour les vendeurs

L’agent Einstein Sales Coach pousse l’entraînement des vendeurs à un niveau supérieur en simulant des jeux de rôle réalistes. Il permet aux vendeurs de pratiquer des scénarios d’appel de découverte, de présentation ou de négociation dans un environnement contrôlé. Grâce à l’IA générative et à la technologie RAG, Einstein Sales Coach reproduit fidèlement les comportements d’un acheteur, en se basant sur les informations de l’entreprise stockées dans Salesforce. Après chaque session, le vendeur reçoit un retour d’information personnalisé et objectif, lui permettant d’améliorer ses compétences en continu. Les managers peuvent également évaluer l’impact du coaching sur les performances de vente en analysant les résultats obtenus.

Adoption stratégique par Accenture

Accenture, un leader mondial en conseil et services professionnels, a déjà prévu d’adopter ces agents dans le cadre de ses opérations de vente. Selon Sara Porter, responsable de l’excellence des ventes mondiales chez Accenture, ces outils permettront à l’entreprise d’améliorer l’efficacité de son équipe de vente tout en augmentant sa capacité à gérer un volume accru de transactions. Elle souligne que cette collaboration avec Salesforce permettra aux employés de se concentrer sur les transactions les plus complexes et à forte valeur ajoutée.

Les nouveaux agents d’IA peuvent être configurés à l’aide d’actions sans code, de flux de travail et de modèles prédéfinis. En utilisant Salesforce Data Cloud, les clients peuvent améliorer les modèles génératifs en intégrant des informations externes pertinentes, comme des documents de vente et de formation existants, afin d’obtenir des résultats plus précis, pertinents et contextuels. Les deux agents utilisent la couche de confiance Einstein pour assurer des réponses sécurisées et fiables.

Perspectives et disponibilité

Les agents Einstein SDR et Einstein Sales Coach seront disponibles dès octobre 2024, avec des fonctionnalités supplémentaires prévues tout au long de l’année.

Les insectes, notamment les fourmis, inspirent de plus en plus les chercheurs en robotique pour la conception de systèmes de navigation autonomes pour de minuscules robots. Les fourmis utilisent une combinaison de reconnaissance visuelle de leur environnement et de comptage de leurs pas pour retrouver leur chemin, une stratégie que les chercheurs de l’Université technique de Delft ont adaptée pour les drones légers. Leur étude, publiée dans Science Robotics le 17 juillet dernier, présente une méthode de navigation efficace pour ces robots, qui nécessite très peu de calcul et de mémoire, seulement 0,65 kilo-octet pour 100 mètres de trajet.

Les robots miniatures, pesant de quelques dizaines à quelques centaines de grammes, ont un potentiel d’applications intéressantes dans le monde réel. Ils présentent plusieurs avantages : leur poids léger minimise les risques de blessures en cas de collision, leur petite taille leur permet de naviguer dans des espaces restreints, leur coût moindre permet de les déployer en grand nombre pour couvrir de vastes zones rapidement, comme dans des serres pour la détection précoce de ravageurs ou de maladies.

Cependant, un obstacle majeur à leur utilisation est qu’ils doivent être capables de naviguer de manière autonome pour effectuer des tâches dans le monde réel. Ils peuvent bénéficier d’une infrastructure externe, comme les estimations de localisation par GPS à l’extérieur ou les balises de communication sans fil à l’intérieur, mais il est préférable de ne dépendre de telles infrastructures. Le GPS n’est pas disponible à l’intérieur et peut être très imprécis dans des environnements encombrés, l’installation et l’entretien de balises dans les espaces intérieurs sont coûteux ou parfois impossibles, par exemple dans les scénarios de recherche et de sauvetage.

L’IA nécessaire à la navigation autonome utilisant uniquement des ressources embarquées a été conçue pour les grands robots tels que les voitures autonomes. Pour les systèmes plus petits, comme le drone de 56 g mentionné, les capteurs peuvent être trop grands, lourds ou gourmands en énergie. Par exemple, les capteurs LiDAR, bien que précis, ne conviennent pas aux petites plateformes. La navigation basée sur la vision pourrait être une solution, car les caméras sont légères et économes en énergie, mais les exigences de calcul des algorithmes de vision sous-jacents traditionnels sont excessives.

Stratégie inspirée des insectes

Les insectes utilisent une combinaison d’odométrie (suivi de leurs propres mouvements, en l’occurrence le comptage de pas pour les fourmis) et une mémoire visuelle quasi omnidirectionnelle pour naviguer. Ils prennent des instantanés visuels de leur environnement et comparent leur perception actuelle avec ces instantanés pour se diriger correctement. Cette méthode leur permet de retrouver leur chemin même dans des environnements complexes.

Les chercheurs s’en sont inspirés pour leurs expériences : leur drone a pris des images de son environnement à différents points de son trajet aller. Ces images ont servi de repères visuels pour le trajet retour et la navigation future grâce à un algorithme combinant guidage visuel et odométrie.

Tom van Dijk, premier auteur de l’étude, explique :

“La navigation basée sur des instantanés peut être comparée à la façon dont Hansel a essayé de ne pas se perdre dans le conte de fées de Hansel et Gretel. Quand Hans jetait des pierres sur le sol, il pouvait rentrer chez lui. Cependant, lorsqu’il a jeté des miettes de pain qui ont été mangées par les oiseaux, Hans et Gretel se sont perdus. Dans notre cas, les pierres sont les instantanés”.

Il ajoute :

“Comme pour une pierre, pour qu’un instantané fonctionne, le robot doit être suffisamment proche de l’emplacement de l’instantané. Si l’environnement visuel devient trop différent de celui de l’emplacement de l’instantané, le robot peut se déplacer dans la mauvaise direction et ne plus jamais revenir. Il faut donc utiliser suffisamment d’instantanés – ou dans le cas de Hansel, laisser tomber un nombre suffisant de pierres. D’un autre côté, laisser tomber des pierres trop près les unes des autres épuiserait trop rapidement les pierres de Hans. Dans le cas d’un robot, l’utilisation d’un trop grand nombre d’instantanés entraîne une consommation de mémoire importante. Les travaux précédents dans ce domaine avaient généralement les instantanés très proches les uns des autres, de sorte que le robot pouvait d’abord se loger visuellement sur un instantané, puis sur le suivant”.

Guido de Croon, professeur titulaire de drones bio-inspirés et co-auteur de l’article, commente :

“L’idée principale qui sous-tend notre stratégie est que vous pouvez espacer les instantanés beaucoup plus loin, si le robot se déplace entre les instantanés en fonction de l’odométrie”.

Il précise :

“Le guidage fonctionnera tant que le robot se retrouvera suffisamment près de l’emplacement de l’instantané, c’est-à-dire tant que la dérive d’odométrie du robot se situe dans la zone de chalandise de l’instantané. Cela permet également au robot de voyager beaucoup plus loin, car le robot vole beaucoup plus lentement lorsqu’il se dirige vers un instantané que lorsqu’il vole d’un instantané à l’autre en fonction de l’odométrie”.

Cette stratégie de navigation a permis à un drone « CrazyFlie » de 56 grammes, équipé d’une caméra omnidirectionnelle, de couvrir des distances allant jusqu’à 100 mètres avec seulement 1,16 kilo-octet. Tout le traitement visuel se faisait sur un minuscule ordinateur appelé « microcontrôleur », que l’on trouve dans de nombreux appareils électroniques bon marché.

Guido de Croon conclut :

“La stratégie de navigation inspirée des insectes proposée est une étape importante sur la voie de l’application de minuscules robots autonomes dans le monde réel. La fonctionnalité de la stratégie proposée est plus limitée que celle fournie par les méthodes de navigation de pointe. Il ne génère pas de carte et permet uniquement au robot de revenir au point de départ. Pourtant, pour de nombreuses applications, cela peut être plus que suffisant. Par exemple, pour le suivi des stocks dans les entrepôts ou le suivi des cultures dans les serres, les drones pourraient s’envoler, collecter des données puis revenir à la station de base. Ils pouvaient stocker des images pertinentes pour la mission sur une petite carte SD pour un post-traitement par un serveur. Mais ils n’en auraient pas besoin pour la navigation elle-même”.

Références de l’article :

• Tom van Dijk, Christophe De Wagter, Guido C. H. E. de Croon. Suivi visuel de l’itinéraire pour les petits robots autonomes. Science Robotics, 2024 ; 9 (92) DOI : 10.1126/scirobotics.adk0310
• Université de technologie de Delft. « Les connaissances des fourmis mènent à une percée dans la navigation des robots. » ScienceDaily. 17 juillet 2024.

À San Francisco, Waymo propose un service de taxis autonomes accessible de tous les habitants. Ce concurrent d'Uber ou de Lyft envoie des véhicules électriques sans personne à l'intérieur, avec un volant qui tourne tout seul. Le passager n'a qu'un écran de contrôle à l'arrière pour lui demander de s'arrêter ou de modifier son itinéraire. L'expérience est vraiment déconcertante.

À Las Vegas, la startup française Exwayz a proposé à Numerama de monter dans une voiture équipée de deux capteurs LiDAR, afin de nous montrer comment elle modélisait un environnement en 3D. Exwayz commercialise un logiciel pour les entreprises qui veulent fabriquer leurs propres véhicules autonomes.