Cousin Numérique

Digital Cousin est un concept proposé en 2024 par une équipe dirigée par le professeur Fei-Fei Li de l'Université de Stanford. Son objectif est de fournir une solution plus efficace et plus économique pour la formation des robots. Ce concept change la façon dont les robots apprennent et a attiré une grande attention. Les résultats pertinents de l'article sontACDC : Création automatisée de cousins numériques pour un apprentissage politique robuste".

Au lieu de rechercher une correspondance biunivoque avec des objets réels, les cousins numériques se concentrent sur des qualités géométriques et sémantiques similaires, générant ainsi des données de formation pratiques à moindre coût. Il s’agit d’un actif ou d’une scène virtuelle qui, contrairement à un jumeau numérique, ne simule pas explicitement son homologue du monde réel, mais présente néanmoins des fonctionnalités géométriques et sémantiques similaires. Cette approche peut simultanément réduire le coût de la génération de données réelles à simulées tout en améliorant la généralisabilité de l’apprentissage.

Les cousins numériques peuvent être utilisés pour la formation des robots en fournissant un environnement virtuel similaire au monde réel pour former les politiques des robots tout en réduisant les coûts et en améliorant les capacités de généralisation inter-domaines. Cette approche génère une scène de simulation entièrement interactive à partir d’une seule image RVB et se compose de trois étapes séquentielles : l’extraction d’informations, la correspondance des cousins numériques et la génération de scènes.

Les résultats expérimentaux montrent que la stratégie du robot entraînée avec des cousins numériques a atteint un taux de réussite de 90% dans la migration virtuelle vers réelle à échantillon nul, dépassant de loin les 25% entraînés avec des jumeaux numériques. Cela montre que les cousins numériques ont de meilleures performances à la fois en distribution et hors distribution, prouvant leur avantage en matière de généralisation.