Pitpitt le 25 septembre 2026 à 21:25

2026-09-25T21:25:37Z

← Version précédente		Version du 25 septembre 2026 à 17:25
Ligne 5 :		Ligne 5 :

	La généralisation est le défi central de l'apprentissage robotique — les politiques se surapprennnent facilement aux conditions d'entraînement. Les techniques pour améliorer la généralisation incluent l'augmentation de données, la randomisation de domaine, les représentations pré-entraînées et les données d'entraînement diversifiées		La généralisation est le défi central de l'apprentissage robotique — les politiques se surapprennnent facilement aux conditions d'entraînement. Les techniques pour améliorer la généralisation incluent l'augmentation de données, la randomisation de domaine, les représentations pré-entraînées et les données d'entraînement diversifiées

			--

			La généralisation mesure la performance d'une politique de robot sur des objets, scènes ou tâches qu'elle n'a pas vus pendant l'entraînement. C'est le défi central de l'apprentissage robotique : une politique qui mémorise les démonstrations d'entraînement mais échoue sur des instances nouvelles n'a aucune valeur pratique.

			Les chercheurs distinguent la généralisation d'objets (nouvelles instances de catégories connues), la généralisation de catégories (classes d'objets entièrement nouvelles) et la généralisation de tâches (nouvelles formulations d'instructions ou configurations d'objectifs).

			L'amélioration de la généralisation nécessite généralement des données d'entraînement plus grandes et plus diversifiées, un co-entraînement avec des données internet, la randomisation de domaine en simulation et les priors de modèles de fondation.

	voir aussi [[Généralisation]]		voir aussi [[Généralisation]]

Pitpitt : Page créée avec « == '''ROBOTIQUE'''== == Définition == La capacité d'une politique de contrôle à fonctionner correctement sur des entrées non vues pendant l'entraînement : nouveaux objets, environnements, conditions d'éclairage ou variations de tâches. La généralisation est le défi central de l'apprentissage robotique — les politiques se surapprennnent facilemen... »

2026-09-25T21:23:06Z

Page créée avec « == '''<span style="font-family:arial black;font-size:24px; color:#1880a6;">ROBOTIQUE</span>'''== == Définition == La capacité d'une politique de contrôle à fonctionner correctement sur des entrées non vues pendant l'entraînement : nouveaux objets, environnements, conditions d'éclairage ou variations de tâches. La généralisation est le défi central de l'apprentissage robotique — les politiques se surapprennnent facilemen... »

Nouvelle page

==[[:Catégorie:Robotique | '''<span style="font-family:arial black;font-size:24px; color:#1880a6;">ROBOTIQUE</span>''']]==

== Définition ==
La capacité d'une politique de contrôle à fonctionner correctement sur des entrées non vues pendant l'entraînement : nouveaux objets, environnements, conditions d'éclairage ou variations de tâches.

La généralisation est le défi central de l'apprentissage robotique — les politiques se surapprennnent facilement aux conditions d'entraînement. Les techniques pour améliorer la généralisation incluent l'augmentation de données, la randomisation de domaine, les représentations pré-entraînées et les données d'entraînement diversifiées

voir aussi [[Généralisation]]

== Français ==
'''Généralisation'''

== Anglais ==
'''Generalisation'''

==Sources==
[https://www.roboticscenter.ai/fr/glossary Source : Robotic Center]

{{Modèle:Robotique}}
[[Catégorie:Robotique]]

Généralisation- - Historique des versions

Pitpitt le 25 septembre 2026 à 21:25