Les robots ont longtemps lutté pour se déplacer avec la fluidité naturelle des créatures vivantes. Si les ingénieurs peuvent programmer des machines pour marcher en ligne droite ou monter des escaliers, leur apprendre à imiter les gestes complexes et expressifs d'un humain ou la démarche unique d'un animal est resté un défi tenace. La difficulté fondamentale réside dans la traduction : un corps humain et un corps de robot sont construits différemment, avec un nombre de articulations différent et des limites physiques distinctes. Traditionnellement, pour qu'un robot copie un humain, les chercheurs devaient réécrire manuellement les mouvements de l'humain dans un code que le robot pouvait comprendre, un processus semblable à la traduction mot à mot d'un poème dans une langue possédant une grammaire totalement différente. Cette traduction manuelle est lente, interrompt souvent le flux du mouvement et échoue lorsque le robot est confronté à un nouveau type de mouvement qu'il n'a pas encore vu.

Une équipe de chercheurs de l'ETH Zurich a développé une nouvelle approche qui contourne entièrement cette traduction manuelle. Ils ont créé un système qui permet aux robots à pattes de regarder un humain ou un animal se déplacer et de comprendre immédiatement comment reproduire ce mouvement sur leurs propres corps, sans avoir besoin d'un script préécrit. En apprenant au robot à reconnaître le rythme et la structure sous-jacents du mouvement plutôt que de simplement copier des angles articulaires spécifiques, les chercheurs ont permis aux machines d'apprendre à partir de vidéos et de données de mouvement brutes en temps réel. Ce travail suggère un avenir où les robots pourront apprendre de nouvelles compétences simplement par l'observation, s'adaptant instantanément à leurs propres formes physiques uniques.

Les chercheurs, dirigés par Matthias Heyrman et ses collègues, se sont concentrés sur un problème qui stagne le domaine depuis des années : comment représenter le mouvement d'une manière qui capture à la fois les motifs réguliers et répétitifs de la marche et les changements soudains et imprévisibles d'un geste. Les méthodes précédentes traitaient souvent ces deux aspects séparément ou tentaient de forcer tout mouvement dans un moule mathématique unique et rigide. L'équipe a réalisé que le mouvement naturel est un mélange de deux choses : des motifs structurés et périodiques comme le balancement rythmique des jambes pendant une marche, et des variations apériodiques et non structurées comme un tour brusque ou un mouvement de bras. Pour résoudre cela, ils ont construit un système appelé « Multi-Domain Motion Embedding » (Plongement de mouvement multi-domaine), qui agit comme une caméra à double objectif pour le mouvement. Un objectif se concentre sur les motifs répétitifs et ondulatoires du mouvement, tandis que l'autre capture les détails chaotiques et uniques qui rendent chaque mouvement distinct.

Au lieu de traduire manuellement la pose d'un humain en commandes robotiques, les chercheurs ont injecté directement les données de mouvement brutes dans leur système. Ces données provenaient de deux sources : des enregistrements d'acteurs humains se déplaçant de diverses manières et des vidéos de chiens courant et marchant. Le système traite ces informations via deux voies parallèles. La première voie utilise un outil mathématique appelé transformée en ondelettes pour décomposer le mouvement en ses composantes fréquentielles. Cela permet au robot de percevoir le « battement » du mouvement, identifiant les cycles réguliers d'une démarche ou le rythme d'une danse. La seconde voie utilise un encodeur probabiliste pour capturer les détails désordonnés et non répétitifs, tels que la façon spécifique dont une personne s'incline dans un virage ou dont un chien ajuste son équilibre sur un terrain accidenté. Ces deux flux d'informations sont combinés en une description riche du mouvement que le robot peut comprendre.

Le véritable test de ce système était de savoir s'il pourrait fonctionner dans le monde réel sans intervention humaine. Les chercheurs ont entraîné leurs robots dans un environnement simulé en utilisant l'apprentissage par renforcement, une méthode où le robot apprend par essais et erreurs pour maximiser une récompense. Ils ont appris à un robot humanoïde, le Fourier N1, à imiter des mouvements humains et à un robot quadrupède, l'ANYmal D, à imiter des mouvements de chien. Crucialement, ils n'ont fourni aux robots aucune instruction pré-traitée ou traduite. Les robots ont dû découvrir par eux-mêmes comment mapper le mouvement humain ou animal brut sur leurs propres corps. Les résultats ont été frappants. Dans les simulations, les robots ont réussi à suivre une grande variété de mouvements, allant de la marche simple aux gestes expressifs complexes, avec un niveau de précision supérieur aux méthodes précédentes.

Pour prouver que le système fonctionnait en dehors de l'ordinateur, l'équipe a déployé les politiques entraînées sur le matériel réel. Le robot humanoïde a regardé une vidéo d'un acteur humain et a immédiatement commencé à imiter les mouvements, incluant la marche, les virages et la gestuelle, sans aucun ajustement manuel du code. De même, le robot quadrupède a regardé des images d'un chien et a reproduit avec succès la démarche de l'animal. Plus impressionnant encore, le système a démontré une forme d'apprentissage « zero-shot », ce qui signifie qu'il pouvait gérer des mouvements qu'il n'avait jamais vus auparavant. Lorsqu'on lui présentait un nouveau type de démarche de chien qui ne figurait pas dans ses données d'entraînement, le robot n'échouait pas ; au contraire, il adaptait le mouvement en une version stable et réalisable adaptée à son propre corps. Cette capacité de généralisation suggère que le système a appris les principes fondamentaux du mouvement plutôt que de simplement mémoriser une liste de poses spécifiques.

Les chercheurs ont également comparé leur nouvelle méthode à d'anciennes techniques reposant sur le ciblage manuel (retargeting). Ils ont constaté que, bien que les anciennes méthodes puissent être légèrement plus précises lorsqu'elles copient un mouvement exactement identique à celui pour lequel elles ont été entraînées, elles échouaient lamentablement face à des mouvements nouveaux ou inattendus. Le nouveau système, en revanche, maintenait ses performances à travers une large gamme de mouvements inédits. Cette étude suggère qu'en laissant le robot apprendre la structure du mouvement directement à partir des données brutes, plutôt qu'en le forçant à travers un filtre de traduction rigide, la machine acquiert une compréhension beaucoup plus profonde du mouvement. Cette approche élimine le besoin pour les ingénieurs de concevoir manuellement les règles pour chaque nouveau mouvement, ouvrant la voie à des robots capables d'apprendre de la vaste diversité de mouvements présents dans le monde naturel.

L'une des découvertes les plus significatives fut la manière dont le système gérait les différences entre le robot et l'acteur. Les chercheurs ont découvert que le robot n'essayait pas de forcer son corps à adopter une forme impossible pour correspondre exactement à l'humain. Au lieu de cela, il interprétait le mouvement d'une manière physiquement possible pour sa propre structure. Par exemple, lorsqu'un acteur humain effectuait un mouvement qui serait instable pour un robot, le système ajustait le mouvement pour maintenir l'équilibre du robot, « réinterprétant » ainsi l'intention du mouvement plutôt que de copier la géométrie exacte. Cette flexibilité a permis aux robots de rester stables et fonctionnels, même en imitant des acteurs de tailles différentes ou en exécutant des actions dynamiques complexes.

L'étude a également souligné l'importance de l'architecture de double encodage. Lorsque les chercheurs ont testé le système en supprimant l'un des deux objectifs, les performances ont chuté de manière significative. Le robot peinait à capturer toute l'étendue du mouvement, soit en manquant la stabilité rythmique de la démarche, soit en échouant à s'adapter aux nuances uniques du geste. Cela a confirmé que les motifs structurés et ondulatoires ainsi que les détails non structurés et chaotiques sont essentiels pour une compréhension complète du mouvement. Le système fonctionne car il traite ces deux aspects comme complémentaires, utilisant l'un pour fournir la base et l'autre pour ajouter le détail nécessaire.

En fin de compte, ce travail représente un changement dans la manière dont les robots apprennent à se déplacer. Plutôt que de compter sur les ingénieurs pour traduire le mouvement humain en code robotique, les chercheurs ont montré que les robots peuvent apprendre à comprendre le mouvement directement. En combinant une méthode pour capturer les motifs rythmiques avec une méthode pour capturer les variations uniques, ils ont créé un système qui est à la fois robuste et flexible. Les robots présentés dans l'étude ne se sont pas contentés de suivre un script ; ils ont appris à interpréter le langage du mouvement et à le parler avec leur propre voix. Cette capacité suggère un avenir où les robots pourront apprendre de nouvelles compétences à la volée, s'adaptant à de nouveaux environnements et tâches avec un niveau de naturel auparavant hors de portée. Les chercheurs concluent que cette approche fournit une base solide pour la prochaine génération de contrôle robotique, où la capacité d'apprendre par l'observation deviendra une caractéristique standard plutôt qu'une exception rare.