HIL-SERL (Human-in-the-Loop Sim-to-Real Learning) est un nouveau cadre qui attire l'attention dans la communauté robotique. Contrairement aux méthodes traditionnelles qui reposent fortement sur la simulation avant le transfert vers des robots réels, HIL-SERL maintient l'humain dans la boucle pendant l'entraînement réel. Les opérateurs humains fournissent un feedback correctif et façonnent les signaux de récompense, permettant au robot d'apprendre des tâches complexes de manipulation et de navigation directement sur du matériel physique. Le cadre est décrit comme un 'tabouret à quatre pieds' équilibrant exploration, sécurité, guidage humain et stabilité algorithmique. Les premiers résultats montrent des améliorations significatives de l'efficacité d'échantillonnage et des taux de réussite des tâches par rapport au RL entièrement autonome. Pour les développeurs et chercheurs travaillant sur la robotique déployable, cette approche réduit le besoin d'infrastructure de simulation coûteuse et accélère le chemin du laboratoire à la production. La méthode est particulièrement pertinente pour les applications où la fidélité de simulation est faible, comme la manipulation d'objets déformables ou l'interaction homme-robot.
HIL-SERL introduit un cadre impliquant l'humain pour former des agents d'IA incarnée directement sur des robots physiques, contournant le fossé simulation-réalité. Le feedback humain guide l'exploration et la conception des récompenses, permettant une convergence plus rapide et un apprentissage plus sûr dans le monde réel. Cela pourrait accélérer le déploiement de robots adaptables dans la fabrication, la santé et les services.