Une promenade pas comme les autres. Lorsqu'Ananye Agarwal a emmené son chien faire une balade dans un parc de son quartier, situé non loin de l'université Carnegie Mellon (Pittsburgh, Pennsylvanie) aux Etats-Unis, les autres chiens se sont arrêtés pour l'observer. C'est parce que l'animal d'Ananye Agarwal était en fait un robot et c'est un modèle bien particulier qui plus est. Contrairement aux autres androïdes, qui s'appuient sur une carte interne pour se déplacer, son modèle utilise une caméra intégrée. Ananye Agarwal, étudiant en doctorat à l'université Carnegie Mellon, fait partie d'un groupe de chercheurs ayant mis au point une technique permettant aux robots de gambader sur des terrains difficiles grâce à la vision par ordinateur et à l'apprentissage par renforcement. Les chercheurs espèrent que leurs travaux contribueront à faciliter le déploiement des robots dans le monde réel.
Contrairement aux robots existants disponibles sur le marché, comme le modèle Spot de Boston Dynamics qui se déplace à l'aide de cartes internes, cet androïde utilise uniquement des caméras pour guider ses mouvements à travers l'environnement, explique Ashish Kumar, étudiant diplômé de l'UC Berkeley, qui est l'un des auteurs d'un article décrivant ces travaux. Cet article doit être présenté le mois prochain lors de la conférence sur l'apprentissage des robots (CoRL 2022). D'autres tentatives d'utilisation de signaux provenant de caméras pour guider les mouvements des robots se sont limitées à des terrains plats. Ici, les chercheurs ont réussi à faire monter les marches d'escaliers à leur chien-robot, à le faire grimper sur des pierres et à le faire sauter par-dessus des fossés.
Le chien-robot adapte ses mouvements grâce à l'apprentissage par renforcement
Le robot à quatre pattes est d'abord entraîné à se déplacer dans différents environnements dans un simulateur afin qu'il ait une idée générale de ce que représente la marche dans un parc ou la montée et la descente d'escaliers. Lorsqu'il est déployé dans le monde réel, les images d'une seule caméra située à l'avant du robot guident ses mouvements. Le robot apprend à ajuster sa démarche pour se déplacer dans des endroits tels que les escaliers et les sols irréguliers grâce à l'apprentissage par renforcement, une technique d'intelligence artificielle (IA) qui permet aux systèmes de s'améliorer à force d'essais et d'erreurs.
La suppression d'une carte interne obligatoire rend le robot plus robuste car il n'est plus limité par les erreurs potentielles d'une carte, souligne Deepak Pathak, professeur adjoint à Carnegie Mellon, qui faisait partie de l'équipe.
Il est extrêmement difficile pour un robot de traduire les pixels bruts d'une caméra en un mouvement précis et équilibré nécessaire pour naviguer dans son environnement, explique Jie Tan, chercheur chez Google, qui n'a pas participé à l'étude en question. Selon lui, c'est la première fois qu'il voit un robot de petite taille et peu coûteux faire preuve d'une mobilité aussi impressionnante.
Allons-nous bientôt croiser des chiens-robots dans nos rues et nos parcs ?
L'équipe a réalisée une "percée dans l'apprentissage et l'autonomie des robots", s'enthousiasme Guanya Shi, chercheur à l'université de Washington, qui étudie le machine learning et le contrôle robotique. Ce dernier n'a pas participé à l'étude.
Akshara Rai, une chercheuse de Facebook AI Research qui travaille sur le machine learning et la robotique, abonde. Elle non plus n'a pas participé aux travaux.
"Ce travail constitue une étape prometteuse vers la construction de tels robots à pattes perceptifs et leur déploiement dans la nature", déclare-t-elle.
Toutefois, si les travaux de l'équipe sont utiles pour améliorer la façon dont le robot se déplace, ils ne l'aideront pas à déterminer à l'avance sa destination, précise Akshara Rai. "La navigation est importante pour déployer les robots dans le monde réel", ajoute-t-elle.
Il reste encore du travail à faire avant que le chien-robot ne soit capable de se pavaner dans les parcs ou d'aller chercher des objets dans la maison. Bien que le robot puisse comprendre la notion de profondeur grâce à sa caméra frontale, il ne peut pas faire face à des situations telles qu'un sol glissant ou des herbes hautes, précise Jie Tan. Il pourrait tomber en marchant dans des flaques d'eau ou rester coincé dans des obstacles croisés sur son chemin.
Article de Mélissa Heikkilä, traduit de l'anglais par Kozi Pastakia.
- Accès à tous les articles réservés aux abonnés, sur le site et l'appli
- Le magazine en version numérique
- Navigation sans publicité
- Sans engagement
