Cet article présente Ego-Foresight, une nouvelle méthode inspirée de la prédiction des mouvements humains, visant à résoudre le problème d'efficacité d'échantillonnage de l'apprentissage par renforcement profond (RL). Pour pallier les besoins importants en données d'apprentissage de l'RL conventionnel, nous adoptons une approche qui sépare l'agent de son environnement. Cependant, contrairement aux études précédentes, nous apprenons l'interaction agent-environnement en utilisant les mouvements de l'agent lui-même, sans aucun signal supervisé. Ego-Foresight améliore la capacité de perception de l'agent grâce à un apprentissage auto-supervisé via des prédictions visuo-motrices, lui permettant de prédire ses mouvements à partir de données robotiques simulées et réelles. En l'intégrant à des algorithmes d'RL sans modèle, nous démontrons une efficacité et des performances d'échantillonnage améliorées.
