Des chercheurs du MIT CSAIL et de Toyota Research Institute ont développé SceneSmith, un système d’intelligence artificielle conçu pour résoudre l’un des principaux freins au développement de la robotique : le manque de données d’entraînement. Comme les humains, les robots apprennent principalement par l’expérience, mais collecter des données physiques dans des environnements variés reste long et coûteux. SceneSmith répond à ce défi en générant automatiquement des espaces virtuels 3D riches et réalistes, prêts à être intégrés dans des simulateurs de physique. Le système repose sur une architecture à trois agents autonomes qui collaborent de manière itérative. En s’appuyant sur des modèles de vision et de langage, notamment la dernière version de GPT, le premier agent conçoit la disposition générale des pièces. Un second agent critique le rendu pour en garantir le réalisme fonctionnel, tandis qu’un troisième orchestre le processus et valide les résultats. Chaque étape ajoute progressivement des meubles, des objets manipulables et des caractéristiques physiques telles que la masse ou la friction, permettant aux robots de tester des tâches comme ouvrir des tiroirs ou organiser des surfaces avant tout déploiement réel. Les tests ont montré que ces environnements simulés sont suffisamment fidèles à la réalité pour servir de banc d’essai fiable. Des politiques de contrôle robotiques préentraînées sur des données physiques ont réussi leurs missions dans les scènes générées, confirmant la cohérence spatiale et physique des décors. Lorsqu’un agent IA a évalué cent scénarios différents, ses verdicts sur la fiabilité des plans robotiques ont été confirmés par des humains à plus de 99 % des cas. Comparé aux méthodes existantes, SceneSmith produit des espaces jusqu’à six fois plus denses en objets, respecte davantage les instructions textuelles et offre un réalisme visuel approuvé par plus de 90 % des utilisateurs testeurs. Malgré ses performances, la méthode présente une limite actuelle : la génération d’une seule scène peut prendre plusieurs heures en raison du contrôle rigoureux exercé par les agents. Les chercheurs prévoient d’optimiser ce temps grâce à une meilleure allocation des ressources informatiques et d’étendre le système à la modélisation d’objets déformables. L’initiative, soutenue par Amazon, l’Office national de la recherche navale américaine et la National Science Foundation, a été présentée récemment lors de la conférence internationale sur l’apprentissage machine. Cette avancée marque un pas significatif vers une robotique domestique et industrielle plus rapide à développer, en réduisant considérablement les phases d’essai-erreur dans le monde réel.