Imaginez un monde où les robots ne sont pas faits d'engrenages métalliques rigides et de joints raides, mais sont plutôt fabriqués à partir de matériaux mous et extensibles comme le silicone, le caoutchouc ou même des tissus vivants. Ce sont des « robots mous », et ils sont incroyables parce qu'ils peuvent se faufiler dans de minuscules fissures, manipuler des objets fragiles comme des œufs sans les casser, et se déplacer avec une grâce fluide que les machines rigides ne peuvent que rêver d'atteindre. Cependant, il y a un piège : parce qu'ils sont si mous, ils sont incroyablement difficiles à contrôler. Contrairement à un bras de robot rigide qui se déplace selon des lignes droites prévisibles, un robot mou se courbe, se tord et se déforme de mille façons différentes à la fois. C'est comme essayer d'écrire un manuel d'instructions précis pour une méduse ; si vous tirez sur une tentacule, tout le corps ondule dans une danse complexe et mathématiquement désordonnée à prédire. Pendant longtemps, les scientifiques ont possédé les mathématiques adéquates pour décrire cette mollesse, mais les programmes informatiques pour réellement exécuter ces mathématiques étaient lents, lourds et ne pouvaient pas facilement communiquer avec les outils d'apprentissage avancés que les robots modernes utilisent.

C'est ici qu'un nouvel outil appelé SoRoMoX intervient pour sauver la mise. Considérez SoRoMoX comme un traducteur surpuissant et ultra-rapide qui transforme les mathématiques complexes et ondulantes des robots mous en un langage que les ordinateurs modernes peuvent comprendre et exécuter à la vitesse de l'éclair. Les chercheurs derrière ce projet ont construit un cadre logiciel qui ne se contente pas de simuler un robot mou ; il rend la simulation « différentiable », ce qui est une façon sophistiquée de dire que l'ordinateur peut instantanément comprendre comment ajuster la forme ou le mouvement du robot pour obtenir un meilleur résultat, tout comme un personnage de jeu vidéo apprenant à sauter plus haut en essayant et en échouant des milliers de fois en une fraction de seconde. En faisant tourner ces simulations sur des cartes graphiques (GPU) puissantes et en les réalisant en parallèle — comme si mille robots virtuels s'entraînaient en même temps au lieu d'un seul — l'équipe a démontré qu'elle pouvait rendre le contrôle des robots mous jusqu'à 234,6 fois plus rapide que les méthodes précédentes. Cette vitesse ouvre de nouvelles possibilités, permettant aux robots d'apprendre des tâches complexes, d'éviter de heurter les objets trop fort et même de comprendre leurs propres propriétés physiques (comme la rigidité de leur corps) simplement en se regardant bouger.

La révolution des robots mous

Les robots mous sont les chouchous du futur car ils sont sûrs et adaptables. Imaginez un bras de robot fait de caoutchouc capable d'envelopper délicatement une fraise mûre pour la cueillir, ou un robot serpentiforme capable de se faufiler à travers les décombres d'un bâtiment effondré pour trouver des survivants. Le problème est que contrôler quelque chose qui se courbe et s'étire comme un nouille est un cauchemar pour les programmes informatiques traditionnels. Dans le monde des robots rigides (comme les bras sur une ligne d'assemblage automobile), les mathématiques sont simples : si vous tournez un moteur d'un certain montant, le bras se déplace d'une distance spécifique. Mais avec les robots mous, tout le corps se déforme, créant un réseau chaotique de forces.

Pendant des années, les scientifiques ont développé des théories pour décrire ce comportement, utilisant souvent un concept appelé « théorie de la tige de Cosserat ». Voyez cela comme le fait de traiter le robot mou non pas comme un bloc solide, mais comme un bâton flexible qui peut se courber, se tordre et s'étirer. Bien que les mathématiques existent pour décrire cela, les outils logiciels pour les utiliser concrètement étaient restés dans le passé. Ils étaient lents, ne pouvaient pas fonctionner sur les puces informatiques modernes ultra-rapides et ne s'intégraient pas bien avec les algorithmes d'« apprentissage » qui permettent aux robots de s'auto-enseigner. C'était comme avoir un moteur de Ferrari (les mathématiques) mais essayer de la conduire avec une chaîne de vélo (le vieux logiciel).

L'arrivée de SoRoMoX : Le démon de la vitesse

L'article présente SoRoMoX (Soft Robot Models in JAX), un nouveau cadre logiciel conçu pour éliminer ces goulots d'étranglement. Les auteurs l'ont construit en utilisant JAX, un outil de programmation puissant qui permet aux ordinateurs d'effectuer des opérations mathématiques complexes incroyablement vite, surtout lorsqu'ils utilisent des processeurs graphiques (GPU) — les mêmes puces qui alimentent les jeux vidéo et l'IA.

Voici ce qui rend SoRoMoX spécial :

1. Il est différentiable : C'est l'ingrédient magique. En termes simples, le logiciel peut calculer non seulement où le robot ira, mais aussi comment modifier ses paramètres pour qu'il aille exactement là où vous le voulez. C'est comme avoir un GPS qui ne se contente pas de donner l'itinéraire, mais qui recalcule instantanément le meilleur chemin si vous tombez sur un embouteillage, tout en conduisant.
2. Il est parallèle : Au lieu de simuler un robot à la fois, SoRoMoX peut simuler des centaines ou des milliers de robots simultanément sur un seul GPU. C'est comme avoir une classe d'élèves pratiquant tous une chorégraphie en même temps, plutôt qu'un seul élève pratiquant seul.
3. Il est prêt pour le contrôle : Il fournit tous les chiffres spécifiques dont un contrôleur de robot a besoin — comme le poids du robot, la façon dont la gravité l'attire et la manière dont ses articulations bougent — afin que les ingénieurs puissent construire de meilleurs contrôleurs sans réinventer la roue.

Ce que l'équipe a découvert

Les chercheurs n'ont pas seulement construit l'outil ; ils l'ont soumis à un parcours d'obstacles pour voir comment il se comportait par rapport aux meilleurs logiciels existants.

Vitesse et efficacité
Dans leurs tests, SoRo-MoX a été un vainqueur clair. En exécutant des simulations sur un processeur d'ordinateur standard (CPU), il était jusqu'à 18,1 fois plus rapide que l'alternative actuelle la plus performante appelée SoRoSim. Mais la véritable magie s'est produite lorsqu'ils sont passés à un GPU. En exécutant des simulations en parallèle, ils ont obtenu une accélération massive allant jusqu'à 234,6 fois. Cela signifie que des tâches qui prenaient autrefois des heures pourraient être accomplies en minutes, voire en secondes.

Apprentissage et optimisation
L'équipe a utilisé cette vitesse pour s'attaquer à des problèmes difficiles :

• Comprendre le corps du robot : Ils ont testé si le logiciel pouvait aider un robot à « apprendre » ses propres propriétés physiques, comme la rigidité de son matériau. En comparant le mouvement réel du robot à la simulation, ils ont pu ajuster les paramètres du modèle. Cela a réduit l'erreur de prédiction de la position du robot de 66 %.
• Corriger les moments d'erreur : Même avec un modèle parfait, les vrais robots font de petites erreurs. L'équipe a utilisé SoRoMoX pour apprendre à un réseau neuronal à prédire ces erreurs résiduelles. Cela a encore réduit l'erreur de 64 %, rendant les mouvements du robot incroyablement précis.
• Un meilleur contrôle : Ils ont testé différentes stratégies de contrôle. Un contrôleur standard « sans modèle » (qui ne connaît pas la physique du robot) a eu du mal. Mais lorsqu'ils ont utilisé un contrôleur de « calcul de couple » (qui utilise le modèle physique complet), l'erreur de suivi a chuté d'un facteur d'environ 500. C'est un bond gigantesque en précision.
• La sécurité avant tout : L'une des applications les plus passionnantes concernait la sécurité. Ils ont programmé le robot pour qu'il atteigne une cible tout en évitant de heurter un mur trop fort. En utilisant un algorithement de sécurité spécial, ils ont maintenu la force de contact en dessous de 5 Newtons (environ le poids d'une petite pomme). Sans cette contrainte de sécurité, le robot heurtait avec une force de 33,5 Newtons, ce qui pourrait endommager des objets fragiles.
• Apprentissage par renforcement : Enfin, ils ont utilisé l'outil pour entraîner un robot via l'apprentissage par renforcement (où le robot apprend par essais et erreurs). Parce que SoRoMoX pouvait exécuter des milliers d'essais à la fois, l'entraînement était jusqu'à 7 fois plus rapide qu'avec les anciennes méthodes plus lentes.

L'essentiel

SoRoMoX n'est pas seulement une calculatrice plus rapide ; c'est un pont qui relie le monde complexe et mou de la robotique souple au monde rapide et axé sur les données de l'IA et du contrôle moderne. En rendant les modèles de robots mous rapides, différentiables et faciles à utiliser, les auteurs ont ouvert la voie à des robots capables d'apprendre, de s'adapter et d'interagir avec le monde de manières qui étaient auparavant trop lentes ou trop difficiles à réaliser. Bien que les résultats présentés ici soient basés sur des simulations, les améliorations spectaculaires de vitesse et de précision suggèrent que la prochaine génération de robots mous pourrait bientôt apprendre à se déplacer avec la grâce et l'intelligence des créatures vivantes.