Des robots s’inspirent du règne animal pour se remettre sur pied
Même après 50 ans de recherche, la plupart des robots sont plus fragiles que les animaux les plus petits et les plus primitifs. En bref, ils peuvent facilement cesser de fonctionner s’ils sont confrontés à des conditions difficiles ou s’ils chutent de manière inattendue. Pour que les robots s’intègrent davantage dans les sociétés humaines et soient utiles dans les situations d’urgence, ils doivent surmonter leur fragilité inhérente. C’est là qu’intervient le projet ResiBots (Robots with animal-like resilience). «L’objectif de notre projet était de développer de nouveaux algorithmes permettant aux robots de de se rétablir rapidement de manière autonome sans avoir à anticiper tous les types de dégâts possibles», explique Jean-Baptiste Mouret, le chercheur principal du projet. «Ceci est particulièrement important lorsqu’il s’agit de dommages mécaniques qui sont très difficiles à diagnostiquer avec les capteurs embarqués. Notre objectif est de développer des robots qui ont la capacité “d’improviser” lorsqu’ils doivent accomplir une mission difficile.»
Une nouvelle perspective
Cette vision contraste fortement avec l’approche actuelle de tolérance aux défaillances, héritée des systèmes critiques de sécurité (comme pour les vaisseaux spatiaux ou les centrales nucléaires). Cette approche est inappropriée pour les robots autonomes à faible coût car elle repose sur des procédures de diagnostic, nécessitant des capteurs proprioceptifs coûteux et des plans d’urgence. Ceux-ci ne peuvent pas couvrir toutes les situations possibles qu’un robot autonome fonctionnant seul est susceptible de rencontrer. «L’idée générale est de tirer parti d’une simulation du robot “intact” pour accélérer l’adaptation d’un robot ayant subi des dommages inconnus», explique Jean-Baptiste Mouret. Les algorithmes développés par Jean-Baptiste Mouret et son équipe éludent l’ancien mode de pensée et sont spécifiquement conçus pour une adaptation efficace des données en robotique. «Nous avons régulièrement des robots qui apprennent à marcher sous nos yeux, en quelques minutes seulement, alors qu’il leur fallait des heures ou même des jours auparavant», ajoute Jean-Baptiste Mouret. «Il s’agit du genre de robots dont je rêvais vraiment quand j’étais enfant!»
Du diagnostic au renforcement
Pour ce projet, il est important que ces premiers résultats reposent sur un “apprentissage épisodique”, ce qui signifie que chaque essai commence exactement dans la même position. Un algorithme plus récent permet au robot d’apprendre de manière indépendante, sans aucune réinitialisation, tout en tenant compte de son environnement. «Il n’y a aucune raison pour que le robot tente une démarche susceptible de le faire avancer si nous savons qu’un obstacle se trouve sur son chemin», fait remarquer Jean-Baptiste Mouret. Grâce aux récents progrès de l’apprentissage automatique profond, les machines sont désormais capables de mieux comprendre leur environnement que leurs prédécesseurs. «Cependant, si nous voulons disposer de robots capables d’apprendre réellement de nouvelles compétences et tâches, nous devons leur fournir des algorithmes de renforcement et pas seulement des algorithmes de perception», explique Jean-Baptiste Mouret. «Pour cela, nous devons les rendre plus efficients en termes de données avant de pouvoir les déployer en dehors des laboratoires de recherche.» Il se montre optimiste quant à la possibilité d’y parvenir dans les 15 prochaines années.
Se tourner vers l’avenir
Jean-Baptiste Mouret et son équipe prévoient de poursuivre leurs recherches même après la fin officielle du projet en avril 2020. «Nous travaillons actuellement à introduire un apprentissage efficace des données dans la robotique humanoïde, et les robots humanoïdes sont la “prochaine frontière” de la robotique car ils combinent tous les défis» dans ce domaine», explique Jean-Baptiste Mouret. Bien qu’aucun robot humanoïde n’utilise pour l’instant l’apprentissage efficace des données afin de s’adapter aux modifications de son environnement, Jean-Baptiste Mouret et son équipe entendent être à la pointe de cette évolution.
Mots‑clés
ResiBots, robots, algorithmes, apprentissage épisodique, efficience des données, adaptation, marche, démarche, dommage, résilience
