Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots
Cet article introduit une méthode de contrôle de forme visuelle adaptative au nombre de modules pour les robots pneumatiques souples modulaires en série, qui permet un contrôle configurable de l'ensemble du corps à travers des nombres variables de modules et des conditions environnementales en réutilisant un contrôleur entraîné sur un seul module grâce à la décomposition en patchs d'images locaux et à l'augmentation de données géométriques.
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
Les robots mous constituent une branche distincte de l'ingénierie qui remplace le métal et le plastique rigides par des matériaux flexibles, semblables au caoutchouc. Contrairement aux machines traditionnelles qui se déplacent avec des articulations fixes et précises, ces robots se courbent et se tordent comme du tissu vivant, ce qui leur permet de se faufiler dans des espaces étroits, de manipuler des objets délicats ou de naviguer sur des terrains accidentés sans causer de dommages. Parce que leurs corps sont composés de composants mous et spongieux, ils n'ont pas une forme unique et fixe ; au lieu de cela, l'ensemble de leur forme peut changer continuellement. Cette flexibilité les rend incroyablement utiles pour des tâches dans des environnements confinés, tels que les procédures médicales ou les missions de recherche et de sauvetage, mais elle les rend aussi notoirement difficiles à contrôler. Les modèles informatiques traditionnels peinent à prédire exactement comment un robot mou se déplacera car le matériau se courbe de manières complexes et imprévisibles. Pour résoudre ce problème, les chercheurs se sont tournés vers le contrôle basé sur la vision, où une caméra observe le robot et ajuste ses mouvements en temps réel, tout comme un humain regarde sa propre main pour la guider. Cependant, un obstacle majeur est demeuré : la plupart de ces systèmes de contrôle visuel sont conçus pour une taille de robot spécifique. Si un robot est composé de cinq segments connectés, le logiciel de contrôle ne peut généralement pas être utilisé sur un robot composé de trois ou sept segments sans être complètement réécrit et réentraîné de zéro.
Une équipe de chercheurs a développé une nouvelle méthode qui permet à un système de contrôle unique de gérer des robots mous de longueurs variables sans nécessiter de nouvelles données d'entraînement pour chaque taille. Ils se sont concentrés sur un type de robot construit en reliant ensemble des segments gonflables identiques en une ligne. Dans leurs expériences, ils ont construit des robots allant d'un seul segment jusqu'à cinq segments connectés bout à bout. Le cœur de leur découverte est une technique qui décompose l'image du corps entier du robot en petites pièces individuelles, en traitant chaque segment comme une entité distincte. Au lieu d'essayer d'apprendre comment un robot à cinq segments se déplace en tant qu'objet géant et compliqué, le système apprend comment un seul segment se déplace, puis applique cette même connaissance à chaque segment qu'il voit, quel que soit le nombre de voisins qu'il possède. Cette approche signifie qu'une fois que les chercheurs ont appris à l'ordinateur à contrôler un seul segment, ce même « cerveau » pouvait être instantanément réutilisé pour contrôler un robot d'un, trois ou cinq segments.
Pour faire fonctionner cela, les chercheurs ont dû surmonter le fait qu'un segment présente une apparence différente selon l'endroit où il se situe dans la ligne. Un segment situé au bas d'un robot à cinq segments apparaît dans une partie différente de la vue de la caméra et sous un angle différent qu'un segment unique posé seul sur une table. Pour apprendre à l'ordinateur à ignorer ces différences visuelles, ils ont utilisé une technique appelée augmentation de données géométriques pendant la phase d'entraînement. Cela consistait à faire pivoter et à déplacer artificiellement les images du segment unique de milliers de manières différentes, montrant ainsi à l'ordinateur que la même pièce de caoutchouc pouvait apparaître dans de nombreuses positions et orientations. En entraînant le système sur ces vues variées, l'ordinateur a appris à reconnaître la forme essentielle du segment plutôt que sa position spécifique dans l'image. Lorsque le système était déployé sur un robot multi-segments, il utilisait un outil spécialisé pour localiser chaque segment dans le flux de la caméra, l'extraire, et le transmettre au même module de contrôle. Le module calculait ensuite les ajustements de pression d'air nécessaires pour ce segment spécifique afin de correspondre à une forme cible souhaitée.
Les chercheurs ont testé ce système sur des robots physiques suspendus dans un laboratoire, en utilisant une webcam standard pour les observer. Ils ont programmé les robots pour qu'ils se courbent selon des formes spécifiques, comme une torsion ou une courbure vers l'avant, et ont mesuré à quel point le robot réel correspondait à l'image cible. Les résultats ont montré que le système guidait avec succès les robots de un à cinq segments vers leurs formes cibles. Bien que les robots possédant plus de segments aient mis légèrement plus de temps à se stabiliser et aient présenté un peu plus d'erreurs que les plus courts, le système de contrôle fonctionnait efficacement dans toutes les configurations sans entraînement supplémentaire. Le système s'est également avéré robuste face aux changements de l'environnement ; il a maintenu le contrôle même lorsque l'éclairage de la pièce changeait, lorsque des objets étaient placés en arrière-plan, ou lorsqu'une masse lourde était attachée à l'extrémité du robot. Dans un test, une masse de 500 grammes a été attachée à l'extrémité d'un robot à cinq segments, simulant la charge supplémentaire qu'un robot du monde réel pourrait transporter, et le système a tout de même réussi à guider le robot vers la posture correcte.
Une partie critique de la fiabilité du système était sa capacité à gérer les informations manquantes. Dans un scénario réel, des parties d'un robot peuvent être cachées par son propre corps, par la main d'une personne ou par d'autres objets, provoquant la perte de suivi d'un segment ou d'un muscle par la caméra. Les chercheurs ont conçu un réseau léger capable de deviner les données visuelles manquantes en se basant sur les parties environnantes. Lorsqu'une partie de la forme du robot était obstruée, ce réseau reconstruisait l'image manquante, permettant au système de contrôle de continuer à fonctionner de manière fluide. Sans cette reconstruction, le robot aurait eu des difficultés à se déplacer ou aurait échoué à atteindre sa cible. L'étude a démontré qu'en décomposant un problème complexe de corps entier en tâches locales simples, un seul modèle de contrôle peut passer à l'échelle pour gérer des machines beaucoup plus grandes et complexes. Cette découverte suggère que les futurs robots mous pourraient être assemblés et réassemblés avec un nombre différent de pièces, et que le même logiciel de contrôle fonctionnerait immédiatement, éliminant ainsi le besoin de collecter de nouvelles données ou de réentraîner le système chaque fois que la configuration du robot change.
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.