Dans les paysages chaotiques et dévastés de la recherche et du sauvetage en milieu urbain, où les bâtiments se sont effondrés et les escaliers sont réduits à des décombres dentelés, les robots doivent faire plus que simplement voir leur chemin ; ils doivent le ressentir. C'est le domaine des robots chenillés articulés, des machines équipées de chenilles continues comme des chars, mais dotées de pattes mobiles supplémentaires (flippers) capables de s'étendre pour s'agripper aux marches ou aux débris. Ces machines sont conçues pour naviguer dans des environnements trop dangereux pour les humains et trop complexes pour les véhicules à roues standards. Cependant, faire bouger ces robots de manière fiable est un défi profond. Le sol qu'ils traversent n'est pas une route lisse, mais une surface irrégulière et mouvante où les chenilles métalliques et les pattes du robot entrent et sortent constamment en contact avec la terre. Chaque fois qu'une patte touche une marche ou qu'une chenille glisse sur une pierre instable, la physique du mouvement du robot change instantanément. Les programmes informatiques traditionnels peinent face à cela car ils reposent sur des règles préétablies qui ne peuvent pas tenir compte de chaque bosse ou de chaque angle possible, tandis que les nouveaux systèmes basés sur l'apprentissage apprennent souvent des modes de déplacement qui sont fluides en théorie, mais dangereusement saccadés ou instables en réalité.

Pour résoudre ce problème, des chercheurs ont développé un nouveau cadre appelé ASTRIL-MPC, un système qui permet à ces robots de sauvetage de réfléchir et de s'ajuster en temps réel lorsqu'ils grimpent des obstacles. Le cœur de ce système est une approche hybride qui combine trois capacités distinctes. Premièrement, il utilise un modèle appris, essentiellement un cerveau numérique entraîné sur des milliers de montées simulées, pour prédire exactement comment le robot se déplacera au cours des prochaines secondes en fonction de la forme du sol devant lui. Deuxièmement, il utilise un planificateur mathématique qui vérifie constamment ces prédictions par rapport à des règles de sécurité strictes, garantissant que le robot ne se renversera jamais ou ne heurtera pas un mur. Troisièmement, et de manière plus innovante, le système emploie un grand modèle de langage pour agir comme un superviseur de haut niveau. Au lieu de dire au robot exactement quel moteur faire tourner, ce superviseur écoute des instructions humaines simples, telles que « bouge prudemment » ou « va plus vite », et les traduit en ajustements précis des paramètres internes du robot. Cela permet au robot d'adapter son comportement à différents terrains et aux préférences de l'opérateur sans avoir besoin d'être reprogrammé ou réentraîné de zéro.

Les chercheurs ont testé ce cadre dans un environnement simulé qui imitait les conditions difficiles d'une zone de catastrophe, incluant des escaliers abrupts et des intérieurs encombrés. Ils ont comparé leur nouveau système à deux autres approches courantes : un système de planification standard qui ne s'adapte pas aux nouvelles situations, et un système basé sur l'apprentissage par essais et erreurs. Les résultats ont montré que ce nouveau système guidé par le langage surpassait significativement les autres. Lors de tests consistant à monter et descendre des escaliers, le système adaptatif a amélioré la qualité globale de la traversée jusqu'à 71 % par rapport au planificateur non adaptatif et de 67 % par rapport à la base de référence basée sur l'apprentissage. Crucialement, le nouveau système a éliminé les impacts de collision mesurables lorsque le robot descendait les escaliers, un point de défaillance courant où les robots heurtent souvent les marches ou perdent l'équilibre. Le système y est parvenu en affinant continuellement son équilibre interne entre vitesse et stabilité, garantissant que le corps du robot reste de niveau et que ses mouvements restent fluides même lorsque le terrain change sous lui.

Ce qui rend cette réussite particulièrement notable est la façon dont le système gère la complexité du mouvement du robot. Les chercheurs ont constaté que tenter d'écrire chaque interaction physique possible entre les chenilles du robot et le sol était trop difficile à réaliser en temps réel. Au lieu de cela, ils ont entraîné un réseau neuronal pour apprendre ces interactions à partir de données, lui permettant de prédire la position future du robot avec une grande précision en moins d'un dixième de seconde. Cette vitesse est essentielle car le robot doit prendre des décisions des centaines de fois par seconde pour rester debout. Le système intègre ensuite cette prédiction dans une boucle de planification qui résout le meilleur chemin à suivre tout en respectant des limites strictes, telles que la vitesse maximale de rotation des chenilles ou l'angle auquel le robot pourrait basculer. En maintenant ces contraintes de sécurité rigides, le système garantit que même lorsque le robot s'adapte à une nouvelle instruction, il ne viole jamais les lois physiques qui l'empêchent de tomber.

Le rôle du modèle de langage dans ce processus est de servir de pont entre l'intention humaine et l'exécution par la machine. Lorsqu'un opérateur fournit une nouvelle instruction, le système ne change pas simplement la destination du robot ; il recalibre subtilement les poids et les limites qui régissent le comportement du robot. Par exemple, si l'opérateur demande une approche plus prudente, le système peut automatiquement abaisser les limites de vitesse du robot et augmenter la pénalité pour tout mouvement brusque, provoquant un mouvement plus lent et délibéré. Inversement, si l'instruction est de se déplacer rapidement, le système ajuste les paramètres pour permettre des vitesses plus élevées tout en maintenant la stabilité. Cet ajustement s'effectue au sein d'une porte de sécurité qui empêche le modèle de langage de procéder à des changements trop extrêmes ou contradictoires, garantissant que le robot reste en sécurité quelle que soit l'instruction reçue. Les chercheurs ont démontré que cette méthode permet au robot de généraliser ses compétences à des obstacles inconnus, tels que des escaliers de hauteurs différentes, sans nécessiter de nouvelles données d'entraînement.

Dans leurs expériences, les chercheurs ont observé que le système maintenait une posture cohérente et stable à travers une variété de scénarios difficiles. En traversant un bloc unique imposant ou en naviguant dans une série d'escaliers, le robot sélectionnait de manière autonome la configuration correcte pour ses pattes, les étendant pour s'agripper aux marches ou les rétractant pour éviter les obstacles. Ce niveau de coordination, qui nécessitait auparavant un réglage expert pour chaque environnement spécifique, a été atteint dynamiquement par le système. Les données ont montré que le contrôleur adaptatif réduisait les secousses et les cahots du corps du robot, menant à un mouvement plus fluide et moins de stress sur les composants de la machine. La capacité d'éliminer les impacts de collision lors de la descente était particulièrement significative, car elle suggère que le robot pourrait naviguer en toute sécurité sur des pentes raides et instables sans s'endommager lui-même ou les débris environnants.

Le succès de ce cadre suggère une nouvelle voie pour les robots autonomes dans des environnements complexes et non structurés. En combinant la puissance prédictive des modèles appris avec la rigueur de la planification mathématique et la flexibilité de l'adaptation guidée par le langage, les chercheurs ont créé un système qui est à la fois robuste et réactif. Les conclusions indiquent que cette approche peut gérer la nature hybride et discontinue des interactions robot-terrain, où le sol passe de solide à glissant ou de plat à escarpé en un instant. Bien que le travail actuel ait été mené en simulation, la vitesse de la boucle de contrôle et la clarté des résultats suggèrent que le système est prometteur pour un futur déploiement. Les chercheurs prévoient d'étendre ce travail pour gérer des objets déformables, d'incorporer l'efficacité énergétique dans la prise de décision du robot, et de valider le cadre sur des plateformes réelles supplémentaires afin d'améliorer davantage l'efficacité lors de missions de sauvetage de longue durée. En fin de compte, ce travail démontre qu'avec la bonne combinaison d'apprentissage et de sécurité, les robots peuvent être dignes de confiance pour naviguer dans les endroits les plus difficiles et les plus dangereux de la Terre.