Augmentation de données (pour la robotique)
L'augmentation de données dans l'apprentissage robotique applique des transformations aléatoires aux observations d'entraînement pour améliorer la robustesse de la politique sans collecter de démonstrations supplémentaires. Les augmentations d'images courantes incluent le recadrage aléatoire, la variation de couleur, le flou gaussien et le cutout. Les augmentations plus sophistiquées superposent des arrière-plans distrayants, modifient les conditions d'éclairage ou injectent du bruit de capteur pour éviter le surapprentissage sur des caractéristiques visuelles spécifiques dans l'environnement d'entraînement. Certaines approches augmentent également les actions — par exemple, en ajoutant du bruit aux trajectoires articulaires pour enseigner à la politique de se rétablir des perturbations. L'augmentation est particulièrement importante lorsque les données d'entraînement sont coûteuses (chaque démonstration nécessite du temps d'opérateur humain). Voir cela en pratique : notre service de collecte de données →