TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

Imaginez un robot essayant de trouver son chemin dans un monde qui ne veut pas être cartographié. Pendant des décennies, les scientifiques ont appris aux robots à naviguer en utilisant des « yeux » — des caméras et des lasers qui scannent le décor pour trouver des points de repère. Mais que se passe-t-il quand les lumières s'éteignent, que le brouillard s'installe, ou que le robot marche dans une forêt dense où le sol est couvert de feuilles ? Les « yeux » deviennent aveugles. C'est là qu'intervient le domaine de l'odométrie proprioceptive. Considérez cela comme le « sens intérieur » du robot, semblable à la façon dont vous pouvez savoir si vous marchez sur un sol glissant ou un chemin accidenté simplement en ressentant le mouvement dans vos propres muscles et articulations, sans avoir besoin de voir vos pieds. Le défi, cependant, est que ce sens intérieur est facilement trompé. Si le pied d'un robot glisse sur un rocher mouillé ou s'enfonce dans une boue meuble, ses capteurs internes se confondent, et il commence à croire qu'il avance en ligne droite alors qu'il glisse en fait sur le côté. Avec le temps, ces petites erreurs s'accumulent, et le robot se perd irrémédiablement.

Ce document présente une nouvelle solution appelée TRACE, un système intelligent conçu pour aider les robots à pattes (comme les chiens à quatre pattes ou les humanoïdes) à comprendre où ils se trouvent, même lorsque leurs pieds glissent, s'enfoncent ou roulent sur des terrains étranges. Au lieu de s'appuyer sur des règles rigides ou des réglages manuels pour deviner si un pied glisse, TRACE utilise un modèle d'apprentissage profond qui agit comme un entraîneur très expérimenté. Il observe l'historique des mouvements et des lectures de capteurs du robot, apprenant à ignorer le « bruit » d'un pied qui glisse pour se concentrer sur le « signal » d'un pas solide. Les chercheurs ont entraîné ce système dans un monde virtuel rempli de chaos aléatoire — sols glissants, tapis mous et bosses imprévisibles — puis l'ont testé sur un vrai robot dans la nature. Ils ont constaté que TRACE est nettement plus efficace pour maintenir le robot sur la bonne voie que les anciennes méthodes, réduisant la « dérive » du robot (la distance entre sa position estimée et sa position réelle) de plus de moitié dans certaines situations difficiles.

Le problème de l'« oreille interne » du robot

Pour comprendre pourquoi TRACE est une avancée majeure, nous devons examiner comment les robots essaient habituellement de compter leurs pas. Imaginez que vous marchez dans une pièce sombre avec les yeux fermés. Vous essayez de compter vos pas pour savoir quelle distance vous avez parcourue. Si vous marchez sur une peau de banane et que vous glissez, votre cerveau pourrait penser que vous avez fait deux pas alors que vous n'en avez fait qu'un seul. Pour un robot, c'est un cauchemar. S'il pense avoir avancé de 10 mètres alors qu'il n'a en réalité avancé que de 5, il finira par percuter un mur qu'il pensait pourtant éloigné.

Les anciennes méthodes tentaient de résoudre ce problème en utilisant des filtres mathématiques. Ces filtres sont comme des professeurs stricts qui disent : « Si votre pied est au sol, il doit être immobile. » Mais dans le monde réel, les pieds ne sont pas toujours immobiles. Ils roulent, s'enfoncent dans le sable ou glissent sur la glace. Lorsque le « professeur strict » suppose que le pied est immobile alors qu'il est en train de glisser, les mathématiques échouent et le robot se perd. D'autres méthodes tentaient d'utiliser des caméras, mais comme nous l'avons mentionné, les caméras échouent dans l'obscurité ou par mauvais temps.

Entrée en scène de TRACE : L'« entraîneur intelligent »

Les auteurs de ce document ont créé TRACE (Tokenized Robust Attention for Contact-Aware Estimation). Au lieu d'un professeur strict, voyez TRACE comme un entraîneur intelligent qui a observé des milliers d'heures de robots marchant sur tous les types de surfaces imaginables.

Voici comment cela fonctionne en termes simples :

1. Les entrées : Le robot envoie constamment un flux de données à TRACE : sa vitesse de rotation (gyroscope), son accélération (accéléromètre), ainsi que la position et la vitesse de chaque articulation de ses pattes.

2. L'astuce de l'« attention » : C'est la partie magique. TRACE utilise un mécanisme appelé attention croisée (cross-attention). Imaginez que le robot ait quatre pattes, et que chaque patte crie son statut à l'entraîneur.

   • La Patte 1 dit : « Je suis sur un sol solide ! Je suis stable ! »
   • La Patte 2 dit : « Je glisse sur la glace ! Je suis inutile en ce moment ! »
   • La Patte 3 dit : « Je m'enfonce dans la boue ! »
   • La Patte 4 dit : « Je suis en l'air, en plein mouvement de balancement ! »

   Par le passé, le robot devait deviner quelle patte écouter en se basant sur une règle simple (comme « si la force est faible, elle est en l'air »). TRACE, cependant, apprend à écouter. Il attribue un « poids » ou un « score d'attention » à chaque patte. Si une patte glisse ou s'enfonce, TRACE apprend à baisser son volume. Si une patte est solide, il augmente son volume. Il fait cela sans qu'aucun humain ne lui dise : « Hé, ça, c'est une glissade ! ». Il déduit simplement le schéma à partir des données.

3. La vérification physique : Pour s'assurer que le robot ne se contente pas de deviner de manière aléatoire, TRACE possède également une « vérification physique ». Il compare la vitesse estimée du robot avec la distance qu'il pense avoir parcourue. Si les calculs ne concordent pas (par exemple, si le robot dit qu'il va vite mais que les pattes ne bougent presque pas), le système se corrige. C'est comme un coureur qui réalise : « Attendez, je halète comme si je sprintais, mais je n'ai pas bougé d'un pouce ; je dois être en train de courir sur place. »

S'entraîner dans le chaos de la simulation

On ne peut pas simplement apprendre à un robot à marcher sur un sol lisse et s'attendre à ce qu'il gère une forêt boueuse. Les chercheurs ont entraîné TRACE dans un simulateur virtuel appelé RaiSim. Mais ils n'ont pas seulement créé un monde plat et ennuyeux. Ils l'ont rendu chaotique.

• Ils ont randomisé le terrain : sol plat, escaliers, rochers escarpés et matelas d'air mous.
• Ils ont randomisé la glisse : parfois le sol était extrêmement glissant, parfois collant.
• Ils ont randomisé le mouvement du robot : ils ont fait marcher le robot avec différents styles et vitesses.

C'est ce qu'on appelle la randomisation de la politique (policy randomization). C'est comme former un étudiant non pas pour un examen spécifique, mais pour toutes les variations possibles de cet examen. En voyant tellement de façons différentes dont le robot pouvait bouger et glisser, TRACE a appris à ignorer les « tours » spécifiques de l'entraînement pour se concentrer sur la vérité universelle de l'interaction entre les pattes et le sol.

Le test en conditions réelles

Après l'entraînement dans le monde virtuel, l'équipe a emmené leur robot, nommé Raibo2, dans le monde réel. Ils l'ont testé sur :

• Un terrain plat : La chose facile.
• Un terrain accidenté : Rampes en bois et blocs.
• Des surfaces glissantes : Une planche recouverte de poudre d'acide borique (très glissante !).
• Un terrain mou : Un matelas gonflable qui rebondit et s'enfonce.
• Des sentiers extérieurs : Herbe, terre dure et escaliers.

Ils ont comparé TRACE à trois autres méthodes :

1. IEKF-SR : Le vieux filtre mathématique du « professeur strict ».
2. Legolas : Une méthode purement basée sur l'apprentissage qui n'utilise pas de règles physiques.
3. NMN-IEKF : Une méthode hybride qui tente de mélanger les deux.

Les résultats : Moins de dérive, plus de confiance

Les résultats sont impressionnants. Dans l'expérience du terrain mou (le matelas d'air), où le sol était spongieux et imprévisible, TRACE a réduit l'erreur de position du robot de 53,8 % par rapport à la meilleure méthode précédente. Sur un sol glissant, il a réduit l'erreur de 44,1 %.

Qu'est-ce que cela signifie ? Si les autres robots pensaient être à 10 mètres du départ, ils pourraient en réalité être à 15 mètres (une énorme erreur). TRACE, cependant, était beaucoup plus proche de la vérité. Il n'a pas été perturbé par le glissement ou l'enfoncement des pieds car son mécanisme d'« attention » savait ignorer les pattes peu fiables.

Les chercheurs ont également vérifié si TRACE « prêtait attention » aux bonnes choses. Ils ont examiné les données et ont vu que lorsqu'un pied glissait, le score d'attention du système pour cette patte tombait presque à zéro. Quand le pied était solide, le score augmentait. Cela a prouvé que le robot ne faisait pas que deviner ; il apprenait à faire confiance aux bons capteurs et à ignorer les mauvais.

Pourquoi cela importe

Le document conclut que TRACE est une étape majeure car il n'a pas besoin d'une caméra pour voir le monde, et il n'a pas besoin d'un humain pour programmer des règles complexes pour chaque type de glissade. Il apprend à être robuste par lui-même.

Cependant, les auteurs prennent soin de ne pas prétendre que ce problème est « résolu ». Ils notent que bien que TRACE soit excellent, il dépend toujours de la qualité de l'entraînement en simulation. Ils mentionnent également que les travaux futurs pourraient porter sur la prédiction exacte de la quantité de glissade d'un pied, plutôt que de simplement l'ignorer. Mais pour l'instant, TRACE montre qu'en apprenant aux robots à « écouter » leur corps avec une oreille intelligente et adaptative, nous pouvons les aider à naviguer dans le monde réel, désordonné et imprévisible, sans se perdre.

En bref, TRACE est comme si l'on donnait un super-pouvoir à un robot : la capacité de savoir où il se trouve, même quand le sol sous ses pieds lui ment.