Résumé Technique : COSMIC – Optimisation Conjointe de la Structure, des Matériaux et du Contrôle Intégré pour les Systèmes Robotiques

Énoncé du Problème

Le domaine de la robotique vise à reproduire et à surpasser l'autonomie des organismes naturels, pourtant les systèmes robotiques actuels souffrent souvent d'une performance sous-optimale et d'une diversité limitée par rapport à leurs homologues biologiques. Une limitation majeure réside dans le paradigme de conception conventionnel où la structure, les matériaux et le contrôle sont développés séparément ou séquentiellement. Dans la nature, ces éléments co-évoluent pour produire des organismes spécialisés et adaptatifs. Dans les systèmes artificiels, cette séparation restreint l'espace de conception et échoue à capturer les effets collectifs résultant du couplage étroit entre la dynamique physique et les stratégies de contrôle.

Bien que les récents progrès en robotique douce et en simulation différentiable aient permis la co-conception pour les systèmes continus, la co-conception de systèmes robotiques discrets (tels que les robots à treillis, les robots marcheurs et les structures de tensegrité) reste un défi. Ces systèmes présentent un espace de conception à variables mixtes (combinant la topologie discrète et la sélection de matériaux avec des paramètres de contrôle continus), des discontinuités abruptes et des paysages d'optimisation hautement non convexes. Les méthodes basées sur le gradient existantes peinent souvent avec ces systèmes discrets, et il manque des cadres complets capables d'optimiser simultanément la topologie, la distribution des matériaux et les politiques de contrôle pour révéler leurs contributions individuelles et collectives à la performance du système.

Méthodologie

Les auteurs proposent COSMIC, un cadre de co-conception basé sur le gradient pour les robots à treillis discrets. Le cadre unifie l'optimisation de trois entités distinctes :

1. Topologie : La connectivité du réseau de treillis.
2. Distribution des Matériaux : L'attribution de types de matériaux (Vide, Squelette, Actionneur) à chaque élément de treillis.
3. Politique de Contrôle : Un contrôleur réseau de neurones spatio-temporel.

1. Représentation Unifiée de la Conception

Le cadre représente le robot comme un graphe de nœuds et d'arêtes. Pour permettre une optimisation basée sur le gradient sur des choix discrets, les auteurs emploient une stratégie de relaxation continue :

• Relaxation à Variables Mixtes : Chaque arête $E_{ij}$ est associée à un vecteur continu 3D $z_{ij} \in [0, 1]^3$, représentant les probabilités d'être dans un état Vide, Squelette ou Actionneur.
• Projection Softmax : Une fonction softmax mise à l'échelle projette ces vecteurs continus vers des vecteurs d'état de matériau normalisés $\tilde{z}_{ij}$, approximatant des encodages one-hot. Un facteur d'échelle $\beta$ contrôle la netteté de cette projection.
• Propriétés des Matériaux : Une matrice de bibliothèque $\Psi$ mappe les états de matériau vers des propriétés mécaniques (rigidité $k$, densité linéique $\rho$, et déformation d'actionnement maximale $a_{max}$). Les propriétés effectives de chaque treillis sont interpolées en fonction de $\tilde{z}_{ij}$.
• Réseau de Contrôle : Un Perceptron Multicouche (MLP) génère des signaux de contrôle. Les entrées incluent des signaux de Générateur de Motifs Centraux (CPG), des décalages de position nodale, des vitesses et un vecteur de but. Les sorties brutes du MLP sont modulées par le vecteur d'état de matériau, garantissant que seuls les treillis dans l'état Actionneur reçoivent des commandes de déformation cible.

2. Simulation Dynamique Differentiable

Le cadre utilise un simulateur différentiable parallélisé sur GPU (implémenté dans Taichi) pour évaluer la dynamique du système.

• Modèle Physique : Les forces des treillis sont régies par une loi de Hooke généralisée, où les forces internes dépendent de la différence entre la longueur actuelle et une longueur cible déterminée par le contrôleur.
• Gestion des Contacts : Un schéma Temps d'Impact (TOI) haute fidélité est utilisé pour gérer les contacts au sol, empêchant l'interpénétration et réduisant les discontinuités de gradient. Cela permet la rétropropagation des gradients à travers les événements de collision, y compris l'amortissement par frottement.
• Différentiabilité : L'ensemble de la simulation avant (intégration, résolution de contact et génération de contrôle) forme un graphe de calcul, permettant la différenciation automatique pour calculer les gradients de l'objectif de performance par rapport aux variables structurelles et aux poids du réseau de neurones.

3. Stratégie d'Optimisation Contrainte

Le problème de co-conception est formulé comme une optimisation contrainte visant à maximiser la distance de locomotion vers l'avant.

• Objectif : Minimiser le déplacement négatif du nœud de tête de la charge utile.
• Contraintes :
  • Fractions de Volume : Limites sur le volume solide total et le volume d'actionneur.
  • Binarisation : Pour conduire les variables continues vers des états discrets, le cadre emploie une pénalité de binarisation globale (norme L2) et une pénalité d'orthogonalité par paires pour minimiser le chevauchement entre les états de matériau.
• Algorithme d'Optimisation :
  • Lagrangien Augmenté (AL) : Utilisé pour gérer les contraintes de binarisation de manière adaptative, permettant des violations temporaires pour explorer l'espace de conception avant d'imposer des contraintes strictes.
  • Processus Multi-étapes :
    1. Phase de Co-conception : Mises à jour alternées des poids du MLP (via Adam) et des vecteurs de conception de matériau (via la Méthode des Asymptotes en Mouvement, MMA).
    2. Passage de Stabilité : Une évaluation auxiliaire utilisant une projection fortement affinée ($\beta_{stab}$) et un Estimateur Direct (STE) pour évaluer l'intégrité structurelle de la géométrie discrète émergente.
    3. Attraction Itérative : Une phase où les vecteurs de conception sont progressivement "poussés" vers leur état discret dominant.
    4. Ajustement Fin : Une étape finale où la topologie et la disposition des matériaux sont figées (discrétisation dure), et seul le contrôleur est ajusté finement.

Résultats Clés

Le cadre a été validé par le biais d'études de cas extensives sur un robot à treillis nodal 6x6.

1. Performance par rapport aux Lignes de Base

• Co-conception vs Conception Séquentielle : Un robot de base avec une structure fixe basée sur des heuristiques (topologie à trois pattes avec placement d'actionneur prédéfini) a atteint un déplacement de 1,14 m. Le robot co-conçu (Conception 6b) a atteint 1,90 m, soit une amélioration de 66 %.
• Robustesse à l'Initialisation : Le cadre a réussi à découvrir des stratégies de locomotion viables même à partir d'une initialisation "sans heuristique" (rapports de matériaux aléatoires uniformes), atteignant 0,98 m. Cela démontre la capacité à naviguer dans l'espace de conception non convexe sans dépendre de guesses initiaux spécifiques, bien que la performance ait été sensible à l'initialisation.

2. Études d'Ablation (Contributions Individuelles et Collectives)

Des études d'ablation combinatoires (désactivant l'optimisation de la topologie, des matériaux ou du contrôle) ont révélé :

• Disposition des Matériaux : A eu l'impact individuel le plus important, augmentant la performance de 781 % par rapport aux dispositions fixes.
• Topologie : A fourni une amélioration de 116 % par elle-même mais a agi comme un multiplicateur puissant pour la conception des matériaux.
• Contrôle : A montré une contribution individuelle faible et pourrait même dégrader la performance si la structure sous-jacente était sous-optimale. Cependant, lorsqu'il a co-évolué avec les matériaux et la topologie, il a contribué à une augmentation de 87 % de la distance par rapport au cas sans optimisation du contrôle.
• Synergie : L'optimisation conjointe des trois entités a produit des résultats nettement supérieurs à la somme de leur optimisation isolée. L'étude a observé une "évolution convergente", où différentes initialisations ont conduit à des motifs structurels similaires (par exemple, des divisions de pattes spécifiques) lorsqu'optimisés pour la même tâche.

3. Généralisabilité

Le cadre s'est adapté à des tâches et des environnements variables :

• Terrain En Pente : Le robot a évolué vers une structure plus fine avec un centre de gravité plus bas et une démarche arquée pour grimper une pente de 15 degrés.
• Espace de Conception Réduit : Sur une grille plus petite 5x5, le cadre a redécouvert des stratégies de division de pattes et a atteint une performance comparable aux conceptions plus grandes.
• Variations de Frottement : Sous frottement de Coulomb (faible frottement), le robot a adopté une stratégie consistant à maintenir la charge utile au sol et à utiliser la patte avant comme tampon de frottement, un comportement non observé dans les scénarios de frottement infini.

Importance et Revendications

L'article revendique fournir une fondation computationnelle pour la co-conception autonome des systèmes robotiques. Son importance principale réside dans :

1. Cadre Unifié : Il comble avec succès le fossé entre l'optimisation de topologie discrète et l'apprentissage de contrôle continu, gérant la nature à variables mixtes des systèmes robotiques discrets grâce à la simulation différentiable et à la relaxation continue.
2. Gains de Performance : Il démontre que la co-conception surpasse systématiquement les stratégies de conception séquentielle, découvrant des stratégies de locomotion diverses et haute performance (bond, balayage, saut) qui sont inaccessibles aux pipelines de conception séparés.
3. Insights de Conception : Il offre une compréhension quantitative de l'interaction entre structure, matériaux et contrôle. L'étude met en évidence que, bien que la disposition des matériaux soit le facteur individuel le plus critique, le couplage synergique des trois entités est essentiel pour atteindre une performance optimale.
4. Flexibilité : Le cadre s'est avéré adaptable à différentes exigences fonctionnelles, environnements physiques et contraintes de conception, suggérant son potentiel pour concevoir des comportements autonomes complexes dans des robots reconfigurables et bio-hybrides.

Les auteurs reconnaissent des limitations, notamment la sensibilité à l'initialisation (suggérant un besoin de méthodes de recherche hybrides globales-locales) et l'utilisation de modèles physiques simplifiés, mais positionnent ce travail comme une étape vers des outils de conception robotique plus robustes et autonomes.