Before the Tipping Point: Force-Guided Active Perception for Shape-Agnostic Estimation of 3D Centers of Mass

Les robots deviennent de plus en plus capables de se déplacer dans notre monde, pourtant ils sont souvent confrontés à une question fondamentale : quelle est la masse d'un objet, et où exactement son poids est-il concentré ? Dans le monde de la robotique, cette répartition du poids est connue sous le nom de centre de masse. Connaître ce point est essentiel pour qu'une machine puisse saisir un article en toute sécurité, le pousser sans provoquer son basculement, ou prédire son comportement lorsqu'une force est appliquée. Alors qu'un humain peut intuitivement ressentir ces propriétés en soulevant ou en poussant légèrement un objet, un robot nécessite généralement un modèle numérique préexistant ou la capacité de soulever l'objet pour les calculer. Cela crée un obstacle important lorsqu'il s'agit de manipuler des objets inconnus, irréguliers ou fragiles qui ne peuvent pas être saisis ou dont la forme n'est pas encore cartographiée. Si un robot ne peut pas déterminer où se situe le poids, il risque de faire tomber l'objet, de l'endommager ou de le renverser d'une manière qui pourrait être dangereuse.

Pour résoudre ce problème, des chercheurs de l'Institut Polytechnique de Worcester ont développé une nouvelle façon pour les robots de « ressentir » la physique cachée d'un objet sans même le soulever. Au lieu d'essayer de saisir un article, le robot effectue une poussée douce et soigneusement contrôlée. En observant comment l'objet commence à basculer et en mesurant la force exacte nécessaire pour le mettre en mouvement, le robot peut déduire la masse totale de l'objet et la hauteur de son centre de gravité. Ce processus permet à la machine de comprendre la stabilité et la nature physique de l'objet grâce à une interaction unique et sûre, ouvrant la porte à la manipulation d'une plus grande variété d'articles dans des environnements non structurés.

Le cœur de ce travail est une méthode appelée perception active guidée par la force. Imaginez un bras robotique équipé d'un capteur sensible à son poignet, poussant une boîte posée sur une table. Le robot ne se contente pas de bousculer la boîte ; il exécute un mouvement lent et délibéré, poussant l'objet jusqu'à ce qu'il commence à basculer, puis se retire immédiatement. Ce cycle est répété de manière quasi statique, ce qui signifie que le mouvement est si lent que l'inertie propre de l'objet n'interfère pas avec les mesures. Pendant que le robot pousse, il enregistre l'angle de l'objet et la force qu'il applique. Les chercheurs ont découvert qu'en analysant la relation entre la force de la poussée du robot et l'inclinaison de l'objet, ils pouvaient rétro-concevoir mathématiquement la masse de l'objet et la position verticale de son centre de masse.

Une innovation cruciale de cette approche est le concept de basculement « sub-critique ». Dans de nombreuses tentatives précédentes pour mesurer ces propriétés, les chercheurs poussaient un objet jusqu'à ce qu'il tombe complètement, utilisant l'instant exact de l'effondrement pour calculer les données. Cependant, cela est risqué ; une fois qu'un objet commence à tomber, il est souvent trop tard pour l'arrêter, et l'objet pourrait être endommagé ou l'environnement perturbé. La nouvelle méthode arrête le robot juste avant le point de non-retour. Le robot pousse l'objet jusqu'à ce qu'il soit sur le point de basculer, mais se retire, maintenant l'objet debout. En observant comment la force requise pour maintenir l'objet à un angle spécifique change à mesure qu'il se rapproche de la chute, le système peut prédire exactement où se serait trouvé le point de basculement. Cette marge de sécurité permet au robot de recueillir les informations nécessaires sans jamais provoquer une chute destructrice.

L'équipe a testé cette technique sur une variété d'objets, incluant une boîte rectangulaire standard, un prisme en forme de cœur, une lampe de poche et un écran d'ordinateur. Ces articles variaient considérablement en forme, en poids et en répartition de masse. Par exemple, la lampe de poche avait une base courbe qui la rendait sujette au vacillement, tandis que le moniteur était lourd et haut de masse. Dans chaque essai réussi, le robot appliquait une poussée horizontale à une hauteur spécifique, enregistrait les données de force et d'angle, puis utilisait un algorithme informatique pour ajuster les données à un modèle physique. Les résultats étaient remarquablement précis. À travers les différents objets, le robot estimait la masse et la hauteur du centre de masse avec une erreur relative de moins de 5 pour cent. Dans certains cas, l'erreur était aussi basse que 0,2 pour cent pour la hauteur du centre de masse.

L'une des découvertes les plus significatives concernait la gestion par le robot de la friction entre son doigt et l'objet. Lorsque le robot pousse un objet, la friction agit contre le mouvement. Lorsque le robot tire en arrière, la friction agit dans la direction opposée. Cela crée une légère différence dans les lectures de force entre la poussée et le retrait, un phénomène connu sous le nom d'hystérésis. Les chercheurs ont découvert qu'en combinant les données de la phase de poussée et de la phase de retrait, ces erreurs de friction s'annulaient mutuellement. Cela a permis au système de produire une estimation propre et fiable des propriétés de l'objet sans avoir besoin de connaître au préalable le coefficient de friction exact de la surface ou du matériau de l'objet.

L'étude a également mis en évidence l'équilibre délicat entre sécurité et précision. Les chercheurs ont introduit une « marge de sécurité », qui détermine à quel point le robot s'approche du point de basculement avant de s'arrêter. Si le robot s'arrête trop tôt, loin du point de basculement, il ne recueille pas assez de données pour faire une prédiction précise. S'il s'approche trop près, il risque de faire tomber l'objet. Les expériences ont montré qu'une marge de sécurité très conservatrice maintenait l'objet en sécurité, mais entraînait parfois des estimations moins précises, particulièrement pour la hauteur du centre de masse. Inversement, pousser plus près de la limite améliorait la précision mais augmentait le risque. L'équipe a constaté qu'une marge de sécurité modérée offrait le meilleur compromis, permettant au robot d'apprendre suffisamment sur l'objet pour effectuer un calcul précis tout en maintenant l'objet fermement sur la table.

Il y avait toutefois des limites à la méthode. Les chercheurs ont noté que les objets avec des bases courbes, comme la lampe de poche, présentaient un défi unique. Parce que le point de contact entre l'objet et la table se déplace à mesure que l'objet bascule, le modèle simple d'un point de pivot fixe s'effondre. Dans ces cas, l'objet vacille ou glisse de manière imprévisible, ce qui rend difficile pour le robot la détermination des paramètres corrects. Cela suggère que bien que la méthode soit robuste pour de nombreux objets rigides avec des bases plates ou angulaires, elle pourrait nécessiter une adaptation supplémentaire pour les articles dotés de fonds arrondis.

Les implications de ce travail s'étendent au-delà de la simple mesure du poids. En permettant aux robots de comprendre les propriétés physiques d'objets inconnus via des interactions sans saisie, cette technique ouvre la voie à une manipulation plus polyvalente et sûre dans des contextes réels. Un robot pourrait potentiellement pousser une caisse lourde pour voir si elle est assez stable pour être déplacée, ou donner un petit coup à un vase fragile pour comprendre son équilibre avant de tenter de le ramasser. La capacité d'inférer la masse et la stabilité sans connaissance préalable ou sans avoir besoin de soulever l'objet représente une étape importante vers la création de robots plus adaptables à la nature imprévisible du monde humain. Les chercheurs ont démontré qu'avec la bonne combinaison de détection de force, de suivi visuel et de contrôle méticuleux, une machine peut apprendre la physique cachée d'un objet simplement en lui donnant une poussée douce et contrôlée.