Stay Seated: Learning Omnidirectional Humanoid Locomotion on a Passive Mobile Chair with Casters
Cet article présente un cadre d'apprentissage par renforcement qui permet à un robot humanoïde de réaliser une locomotion assise omnidirectionnelle robuste, en transfert zéro-shot du simulateur au réel sur une chaise mobile passive, en étendant les environnements standards de suivi de vitesse avec des récompenses spécialisées et des paramètres de contact, tout en démontrant que la combinaison de la régularisation du glissement du pied avec l'apprentissage par symétrie ou par curriculum équilibre efficacement l'efficacité énergétique et la performance de suivi.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez un robot capable de s'asseoir et de travailler à un bureau tout comme un humain. Pendant des années, les ingénieurs ont appris aux robots à marcher sur deux jambes, mais rester immobile nécessite une énergie constante ; les moteurs du robot doivent travailler dur pour maintenir l'équilibre contre la gravité, générant de la chaleur et épuisant l'énergie. Les humains, cependant, ont une solution plus simple pour les tâches de longue durée : nous nous asseyons. En reposant notre poids sur une chaise, nous libérons nos muscles et pouvons nous déplacer dans le bureau sans jamais nous lever. Cette simple observation a suscité une nouvelle question pour les chercheurs en robotique : un robot humanoïde peut-il apprendre à se déplacer en étant assis, en utilisant une chaise à roues et ses propres pieds pour se propulser vers l'avant, l'arrière et sur les côtés ?
Une équipe de chercheurs s'est donné pour mission de répondre à cela en apprenant à un robot à naviguer tout en étant assis sur une chaise mobile passive. Contrairement à un fauteuil roulant autonome qui se déplace de lui-même, cette chaise n'a pas de moteur ; c'est un simple siège sur roues. Pour se déplacer, le robot doit utiliser ses pieds pour pousser contre le sol, propulsant ainsi son propre corps et la chaise dans n'importe quelle direction. Le défi est complexe car le robot ne peut pas simplement verrouiller son corps au siège. Il doit maintenir un équilibre délicat et changeant, gardant ses hanches en contact avec la chaise tout en trouvant une prise avec ses pieds sur le sol pour générer du mouvement. Si le robot perd le contact avec le siège ou glisse trop, la tâche échoue.
Pour résoudre ce problème, les chercheurs ont utilisé une méthode appelée apprentissage par renforcement profond (deep reinforcement learning), un processus où un programme informatique apprend par essais et erreurs dans un monde virtuel. Ils ont commencé avec un environnement d'entraînement standard conçu pour les robots debout et l'ont modifié pour inclure le scénario assis. Ils n'ont pas montré de vidéos de robots humains en mouvement au robot, et ne lui ont pas donné d'ensemble d'instructions préécrites sur la façon de marcher. Au lieu de cela, ils ont simplement indiqué au robot la vitesse et la direction qu'il devait suivre, et l'ont laissé découvrir le reste par lui-même. Le « cerveau » du robot ne recevait que des informations de base sur sa propre position corporelle et la commande qui lui était donnée, sans aucun capteur spécial pour ressentir la chaise ou le sol.
Les chercheurs ont testé plusieurs façons différentes de guider le processus d'apprentissage. Ils voulaient voir si l'ajout de règles spécifiques sur la façon dont le robot devait bouger ses pieds ou sur la façon dont il devait traiter ses jambes gauche et droite aiderait. Une règle pénalisait le robot si ses pieds glissaient sur le sol, dans l'espoir d'encourager un mouvement plus fluide. Une autre règle encourageait le robot à utiliser ses jambes gauche et droite de manière égale, tandis qu'une troisième règle faisait commencer le robot avec des commandes faciles et lentes avant d'augmenter progressivement la difficulté.
Les résultats ont révélé une vérité surprenante sur la façon dont le robot a appris. Lorsque les chercheurs n'utilisaient que la règle contre le glissement des pieds, le robot échouait souvent de manière étrange. Au lieu d'apprendre à se propulser vers l'avant, certaines versions du robot restaient simplement parfaitement immobiles, ignorant les commandes de mouvement diagonal. Il avait trouvé un « piège local », une solution qui évitait techniquement le glissement mais échouait à accomplir la tâche réelle. Cependant, lorsque les chercheurs ont combiné la règle de non-glissement avec soit la règle de symétrie, soit la règle de difficulté progressive, le robot a appris avec succès. Il a découvert comment se propulser dans toutes les directions sans rester bloqué.
L'approche la plus efficace combinait une augmentation progressive de la vitesse avec une règle encourageant un mouvement équilibré des jambes. Cette combinaison a permis au robot de suivre les commandes avec une grande précision, performant souvent mieux qu'un robot similaire entraîné pour être debout et marcher. Les chercheurs ont analysé précisément comment le robot se déplaçait et ont découvert que la direction du déplacement modifiait l'utilisation de ses jambes. Lorsqu'il se déplaçait vers l'arrière ou sur les côtés, le robot posait un pied fermement et étendait son genou pour repousser la chaise. Lorsqu'il avançait, il faisait l'inverse : il touchait le sol d'abord avec le talon, puis pliait le genou pour se tirer, lui et la chaise, vers ce pied.
Cette différence de mouvement avait un impact direct sur l'efficacité énergétique. Le robot était le plus efficace lorsqu'il se déplaçait vers l'arrière, suivi du déplacement latéral. Avancer était la tâche la plus énergivore, nécessitant environ deux fois plus d'effort que le mouvement latéral à des vitesses élevées. Cela était probablement dû au fait que le mouvement vers l'avant reposait sur le fait de plier le genou après que le pied ait touché le sol, un mouvement qui générait plus de friction et nécessitait plus de force pour maintenir la vitesse.
L'étude s'est conclue par un test réussi dans le monde réel. Les chercheurs ont pris le programme informatique qu'ils avaient entraîné en simulation et l'ont installé directement sur un robot physique sans aucune modification supplémentaire. Le robot, assis sur une vraie chaise à roues, a immédiatement commencé à avancer, reculer et se déplacer sur les côtés, et même à tourner, tout comme il l'avait fait dans l'environnement virtuel. Il a réussi à rester assis et à suivre les commandes en utilisant uniquement ses capteurs internes, prouvant qu'un robot peut apprendre à naviguer dans un environnement assis complexe sans avoir besoin de voir la chaise ou de sentir le sol. Ce travail suggère que les robots pourraient bientôt nous rejoindre à nos bureaux, se déplaçant pour attraper des outils ou se repositionner tout en restant assis, économisant de l'énergie et imitant une façon de travailler très humaine.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.