Les robots marcheurs peuvent effectuer des tâches en mémorisant leurs mouvements.
Le calcul des mouvements des robots est extrêmement complexe, et le faire pour des robots dotés de bras et de jambes, se déplaçant dans un environnement non structuré, est encore plus difficile. Le robot doit réagir rapidement aux stimuli enregistrés par ses capteurs et les appliquer à de nouvelles situations sur la base de décisions optimales. «De tels robots sont très instables. Lorsqu’un robot bipède ne prend pas la bonne décision, il peut tomber et serait probablement endommagé», explique Nicolas Mansard, coordinateur du projet MEMMO, expert en robotique et directeur de recherche au Centre national de la recherche scientifique (CNRS) à Toulouse, en France. «Pour qu’un robot marcheur réagisse à une situation en temps réel, il doit résoudre un problème numérique comportant 10 000 variables en l’espace d’une milliseconde, ce qui va bien au-delà de ce que l’intelligence artificielle est capable de faire de nos jours», explique Nicolas Mansard. «Nous avons inventé la Mémoire du mouvement pour relever ce vaste défi.»
Trop de variables parmi lesquelles choisir
Une quantité impressionnante de mouvements optimaux précalculés a été générée hors ligne et comprimée dans une base de données de réactions possibles baptisée Memory of Motion (Mémoire du mouvement). Le robot est entraîné hors ligne sur différents environnements simulés pour bâtir cette bibliothèque de mouvements. «Nous utilisons les meilleurs planificateurs de mouvements disponibles pour réduire le temps d’exploration [de la base de données] et améliorer la qualité des données générées, et nous utilisons l’apprentissage automatique pour les encoder dans une mémoire du mouvement, qui prend moins de place. Nous adaptons ensuite de manière optimale un mouvement candidat de la mémoire à des situations similaires qui n’ont pas été explicitement explorées», explique Nicolas Mansard. C’est ce que l’on appelle la «généralisation». Lorsqu’il se déplace, le robot reconnaît en temps réel une nouvelle situation grâce à ses capteurs. Il sélectionne ensuite une réaction appropriée dans sa mémoire et l’optimise en utilisant ses capacités de prédiction. «En ligne, nous utilisons cette mémoire du mouvement pour guider un “solveur d’optimisation” qui prend la décision finale sur la façon dont le robot doit se comporter pour maintenir son équilibre, marcher, réaliser certaines manipulations d’outils et ainsi de suite», ajoute Nicolas Mansard. «Cette façon de générer des mouvements pour les robots est une toute nouvelle idée que nous avons développée de toutes pièces.»
Validation avec trois scénarios robotiques différents
MEMMO a utilisé un robot humanoïde performant pour effectuer des tâches de manipulation d’outils dans le cadre de l’assemblage d’avions avec le partenaire du consortium Airbus à Toulouse, en France. «Au cours du projet de démonstration, le robot a été capable de se promener dans une usine, de se rendre dans la zone d’assemblage et de réaliser une version simplifiée d’une tâche de manipulation d’outils», souligne Nicolas Mansard. Dans un deuxième exemple, un exosquelette de marche avancé a été associé à un patient paraplégique dans un centre de réadaptation sous surveillance médicale pour l’aider à remarcher. Le projet a permis de développer un produit mature, désormais commandé par un centre médical dans le but d’utiliser l’exosquelette dans un environnement domestique. Enfin, il a été testé avec un robot quadrupède capable de marcher dans un tunnel en cours de creusement ou dans des bâtiments à démolir. «Il faut surveiller ce qui se passe, en particulier dans une zone de danger où vous voulez éviter d’envoyer des humains», explique Nicolas Mansard. La solution a été testée à l’aide d’un robot d’inspection industriel commercial existant de la société ANYbotics en Suisse. Leur robot ANYmal est déjà commercialisé.
Une solution générique
Le même générateur de mouvements est utilisé sur les trois robots bien différents. «Nous y sommes parvenus en nous appuyant sur les progrès de l’optimisation numérique et de l’apprentissage automatique, et en les combinant.» Nicolas Mansard ajoute: «Ces aspects ne sont pas beaucoup utilisés ensemble.» «Cela ne couvre pas tous les problèmes de mouvement possibles – pas encore du moins. Mais la solution est très générique et va beaucoup plus loin que les modèles précédents», conclut Nicolas Mansard.
Mots‑clés
MEMMO, robots, robotique, générateur de mouvements, humanoïde, Airbus, exosquelette, paraplégique, rééducation, quadrupède, ANYbotics, ANYmal
