Il a eu les honneurs d'un premier article dans la célèbre revue MIT Technology Review pour son talent exceptionnel. Développé par une équipe de la non moins prestigieuse université de Berkeley en Californie, DexNet 2.0 est un robot particulièrement adroit, capable de saisir 99% des objets du quotidien grâce au deep learning.

La robotique connaît une véritable avancée qui pourrait prochainement se répercuter dans les chaînes de production ou de conditionnement de toute entreprise. En mai dernier, une équipe de l'université de Berkeley en Californie, avec l'aide de Siemens, a en effet présenté DexNet 2.0. Ce possède la particularité de pouvoir saisir 99% des objets du quotidien qui présenteraient des formes ou des contours inhabituels.

DexNet 2.0, un réseau neuronal convulotionnel musclé au deep learning

Pour réaliser une telle prouesse, les universitaires qui ont planché sur le sujet ont fait appel à des techniques de en utilisant un GPU GTX 1080 et cuDNN avec la bibliothèque open source TensorFlow créée par Google. Et DexNet 2.0 a donc débuté un entraînement virtuel, s'amusant à muscler son réseau neuronal convolutionnel en trouvant des prises « robustes » sur des milliers d'objets 3D synthétisés par plus de 6,7 millions de points.

L'entraînement réalisé, DexNet 2.0 a ensuite été mis au défi par ses créateurs de réussir à saisir des objets qui lui étaient jusqu'alors inconnus. Dans 99% des cas, le bot a donc réussi à répondre aux attentes des observateurs et à lever l'objet demandé. Son réseau neuronal, relié à un capteur 3D et à un bras robotique, a toujours procédé de la même façon. Il a d'abord étudié la forme du nouvel objet, puis recherché des correspondances avec les objets 3D qu'il avait préalablement observés, pour enfin sélectionner la meilleure façon de lever celui qu'il avait sous son capteur.

DexNet 2.0, un avenir industriel?

DexNet a déjà eu droit son heure de gloire par la parution d'un article dans la revue MIT Technology Review, en attendant la publication d'un document exhaustif dès juillet prochain. Mais ses applications pourraient d'ores et déjà être nombreuses, dans des domaines variés comme la santé, le BTP, les services à la personne ou la logistique. A condition toutefois d'améliorer sa vitesse d'exécution (cependant déjà trois fois supérieure à celle de son prédécesseur, selon le chercheur Jeff Mahler), seul petit bémol -mais de taille- pour aujourd'hui envisager une application industrielle.