Il grimpe un escalier aux marches irrégulières, franchit un talus alors que le sol meuble se dérobe sous ses pattes, progresse sur des planches posées en vrac sans perte d’équilibre et sans hésitation… Ce petit robot quadrupède réagit vite au monde qui l’entoure et exécute des mouvements d’une surprenante agilité, presque animale.
Voici le fruit de trois années de recherche sur la locomotion assistée par la vision, accomplies par une équipe conjointe de l’Université Carnegie Mellon et de l’Université de Californie à Berkeley. Les résultats ont été présentés à la Conférence internationale sur l’apprentissage robotique (CoRL) à Auckland. « Un beau travail appliqué, qui montre que la pratique est au moins aussi importante que la théorie », commente Fabien Moutarde, directeur du centre robotique des Mines Paris. « C’est un progrès important quant aux méthodes utilisées pour faire se déplacer un robot à pattes dans des environnements difficiles, même s’il n’y a pas de révolution algorithmique particulière ».
Ces chercheurs optent en effet pour une approche explorée depuis une dizaine d’années en robotique, fondée sur l’apprentissage automatique. « Grâce à des asservissements visuels intelligents, on apprend au robot à adopter la meilleure posture ou démarche en fonction de l’image qu’il perçoit », explique Fabien Moutarde. « A la manière des humains, qui voient et déduisent par réflexe ce qu’ils doivent faire, qu’ils marchent ou conduisent une voiture ».
Il s’agit d’un principe de contrôle de « bout en bout » (end to end). Les étapes intermédiaires habituelles qui servent à calculer les déplacements – perception multiple, fusion des données, représentation de l’environnement, calcul de trajectoire… - sont ici supprimées. « La construction d’une carte du monde est une opération complexe, qui nécessite par exemple une bonne odométrie », souligne Fabien Moutarde. « Et ces cartes sont très bruitées ».
Basé sur la plate-forme standard A1 du fabricant Unitree, ce système robotique adaptatif repose quant à lui sur un réseau de neurones récurrent. Son entraînement comporte deux phases réalisées en simulation : un apprentissage par renforcement avec une mini-matrice 3D et des paramètres environnementaux (friction…), puis un apprentissage supervisé à partir de données de profondeur (acquises par la caméra 3D) et de proprioception (perception de la position des parties du robot).
Une fois entraîné et placé en conditions réelles, le petit quadrupède actionne automatiquement ses articulations avec l’angle le plus propice au terrain traversé, en fonction des informations de profondeur et de proprioception. Comme les vidéos le montrent, il s’en sort sur des terrains très accidentés ou glissants. Le réseau de neurones récurrent présente l’avantage de stocker l’information du passé immédiat. « Le robot raisonne – si l’on peut s’exprimer ainsi – de façon un peu temporelle : il se souvient de ce qu’il a vu quelques instants auparavant », résume Fabien Moutarde. A l’image d’un chat, qui pose sa patte arrière à l’endroit exact où il vient de poser sa patte avant.
Article rédigé par Georges Simmonds pour RT Flash
