Apprentissage unique pour les mouvements des robots

Une équipe de chercheurs de l'Institut fédéral de technologie de Zurich a mis au point une nouvelle méthode permettant aux robots d'exécuter divers mouvements, comme grimper à une échelle, ramper ou se relever après une chute, grâce à un seul processus d'apprentissage plutôt qu'à des stratégies distinctes pour chaque tâche.

Une IA détermine les points de contact pour le mouvement

Le système d'IA, baptisé Attention-based Contact Planning, utilise un réseau de neurones doté d'un mécanisme d'attention pour décider où le robot doit placer ses différentes parties du corps. Il prend en compte le terrain, la position du robot, la vitesse de ses articulations et l'objectif du mouvement afin de trouver les points de contact les plus appropriés.

Le robot utilise neuf points d'appui

Le robot peut utiliser jusqu'à neuf points d'appui, notamment les mains, les coudes, les genoux, les pieds et les hanches. Par exemple, lorsqu'il grimpe à une échelle, l'IA décide où placer les mains et les pieds, puis un contrôleur distinct ajuste les articulations et le corps pour réaliser le mouvement tout en conservant l'équilibre.

Un système LiDAR détecte les surfaces complexes

Pour fonctionner dans des environnements réels, le système utilise un système de cartographie LiDAR développé par les chercheurs. Ce dispositif traite les données des capteurs pour créer une carte du terrain et évalue la fiabilité de ces données. Il est capable de détecter des surfaces complexes, comme les barreaux étroits d'une échelle.

Un module NVIDIA gère le traitement des données

Les données LiDAR sont traitées par un module NVIDIA Jetson Orin NX, capable d'analyser environ 20 000 points LiDAR en 30 millisecondes. Le système met à jour la carte du terrain 10 fois par seconde, ce qui permet au robot de choisir ses points d'appui en fonction de son environnement immédiat.

Un taux de réussite élevé en simulation

En simulation, la méthode ACP a atteint un taux de réussite moyen de 92,5 % sur huit parcours d'obstacles complexes. Ce résultat est nettement supérieur au taux de 58,8 % obtenu par MGMT, une méthode de référence fondée sur la génération et le suivi de mouvements.

Les résultats en simulation doivent être confirmés dans le monde réel

Si les résultats sont prometteurs, les chercheurs soulignent que ces chiffres proviennent de simulations et ne reflètent pas nécessairement les performances en conditions réelles. Des tests supplémentaires dans des environnements réels sont nécessaires pour valider l'efficacité du système.