Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control
Cet article propose un cadre de contrôle décentralisé centré sur l'objet qui permet à des équipes de robots humanoïdes de ramasser et de transporter de manière coopérative des objets de tailles variées en utilisant un pincement bimanuel sans préhenseur, démontrant que les politiques entraînées sur des tâches à robot unique se transfèrent efficacement vers des scénarios multi-robots tout en bénéficiant davantage d'un entraînement à la coordination explicite.
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 monde où les robots peuvent faire plus que simplement se déplacer en ligne droite ou pousser de simples boîtes. Ils peuvent marcher, garder l'équilibre et porter des objets lourds, tout comme les humains le font. Ce domaine, connu sous le nom de robotique humanoïde, a fait des progrès considérables pour apprendre à des machines individuelles à ramasser des objets et à les transporter d'un endroit à un autre. Cependant, un robot seul a des limites. Il ne peut soulever qu'un certain poids, et il ne peut atteindre qu'une certaine distance. Lorsque l'objet est trop grand, trop lourd ou de forme étrange, un seul robot ne peut tout simplement pas accomplir la tâche seul. C'est ici qu'intervient l'idée du travail d'équipe. Tout comme un groupe de personnes peut se rassembler pour déplacer un meuble volumineux, une équipe de robots pourrait se coordonner pour porter une charge lourde ensemble. Le défi a été d'apprendre à ces machines à travailler ensemble sans avoir besoin d'un commandant central pour leur dire exactement quoi faire à chaque seconde. S'ils ne peuvent pas communiquer entre eux, comment peuvent-ils savoir quand soulever, quand marcher et comment maintenir l'objet stable ?
Des chercheurs de l'Université d'État de l'Oregon ont développé une nouvelle façon de résoudre ce problème, permettant à des équipes d'humanoïdes de coopérer sans se parler les uns aux autres. Leurs travaux se concentrent sur un système où chaque robot reçoit un emplacement spécifique sur l'objet qu'il doit tenir. Au lieu d'essayer de comprendre la forme entière de l'objet ou la position de chaque autre robot, chaque machine a seulement besoin de savoir où ses propres mains doivent toucher la charge. Cette approche, que les auteurs appellent le contrôle décentralisé centré sur l'objet, traite l'objet comme le centre de l'action. Chaque robot se voit assigner une petite région sur la surface de l'objet, comme une zone spécifique sur une grande table, et apprend à saisir cet endroit avec ses deux mains en effectuant un mouvement de pincement. Une fois attaché, le robot suit une instruction simple pour déplacer l'objet dans une certaine direction, comme vers l'avant, sur le côté ou vers le haut. Comme chaque robot suit la même règle de base basée sur son propre emplacement local, ils se déplacent naturellement ensemble sans avoir besoin d'envoyer des messages de l'un à l'autre.
Les chercheurs ont entraîné leurs robots à l'aide d'une simulation informatique, en commençant par un seul robot apprenant à ramasser et à transporter des boîtes de différentes tailles et poids. Ils ont appris au robot à s'approcher d'un objet, à le saisir avec ses mains, à le soulever et à marcher tout en le maintenant stable. Une fois que le robot seul a maîtrisé cela, les chercheurs ont introduit un deuxième robot dans la simulation. Ils n'ont pas enseigné aux robots à se coordonner directement entre eux. Au lieu de cela, ils ont laissé le second robot apprendre de la même manière, en utilisant son propre emplacement sur l'objet. Étonnamment, les compétences que les robots ont apprises en travaillant seuls se sont très bien transférées au travail en groupe. Une politique entraînée sur un seul robot pouvait gérer une équipe allant jusqu'à dix robots sans aucun entraînement supplémentaire. Cela suggère que la difficulté fondamentale de la tâche n'est pas la coordination entre les robots, mais plutôt la capacité de chaque robot à tenir fermement sa partie de la charge. Lorsque les robots travaillent ensemble, ils partagent le poids, et l'objet devient plus stable. Lors de tests avec dix robots portant une charge lourde, l'objet s'est beaucoup moins incliné que lorsqu'un seul robot le transportait, montrant ainsi que le travail d'équipe rendait le transport plus fluide et plus sûr.
Le système s'est avéré incroyablement flexible. Les chercheurs ont testé le système avec des objets qui n'avaient jamais été vus pendant l'entraînement, notamment une armoire métallique, un réfrigérateur, une bûche de bois, un lit et une dalle de béton. Les robots ont réussi à ramasser et à déplacer tous ces articles, même s'ils n'avaient jamais rencontré ces formes spécifiques auparavant. Ils ont également testé le système avec des équipes de tailles variables, d'un à dix robots, et ont constaté que les performances restaient élevées dans tous les cas. Les robots pouvaient même passer un objet d'un robot à l'autre. Dans ces scénarios de passage de relais, un robot tenait l'objet pendant qu'un second robot s'approchait, saisissait son propre emplacement, puis le premier robot lâchait prise. Cela se produisait de manière fluide, que les robots soient immobiles, en train de marcher ou même debout à des hauteurs différentes. Les chercheurs ont également mesuré la quantité d'énergie utilisée par les robots. Ils ont constaté que, bien que l'ajout d'un deuxième robot coûte initialement un peu plus d'énergie en raison de la nécessité de coordination, l'ajout de robots au-delà de cela n'augmentait pas de manière significative le coût énergétique par unité de poids déplacé. Cela signifie que des équipes plus larges peuvent porter des charges plus lourdes sans devenir inefficaces.
Pour prouver qu'il ne s'agissait pas seulement d'un tour de magie informatique, les chercheurs ont transposé leur système dans le monde réel. Ils ont utilisé deux véritables robots humanoïdes, appelés Digit V3, pour accomplir les tâches. Sans nouvel entraînement ni ajustement, les robots ont réussi à ramasser une boîte en carton, à la transporter ensemble et à se la passer l'un à l'autre. Les robots se sont appuyés sur des capteurs externes pour voir où se trouvait la boîte par rapport à leurs propres corps, mais une fois qu'ils ont eu cette information, ils ont exécuté la même stratégie de contrôle décentralisé apprise dans la simulation. Ce transfert réussi de la simulation à la réalité montre que l'approche est suffisamment robuste pour une utilisation dans le monde réel. Les chercheurs notent que leur système actuel fonctionne mieux lorsque tous les robots ont le même rôle et tiennent simplement différentes parties de l'objet. Il ne gère pas encore les situations où les robots doivent assumer des rôles très différents, comme un robot menant et l'autre suivant, ou lorsque les robots possèdent des pinces plutôt que des mains plates. Cependant, les résultats suggèrent qu'une façon de penser simple et locale peut résoudre des problèmes complexes de travail d'équipe. En se concentrant sur l'objet et sur l'endroit spécifique que chaque robot doit tenir, le système permet à un groupe de machines d'agir comme une unité coordonnée unique, capable de déplacer les choses lourdes et encombrantes qu'un seul robot ne pourrait jamais gérer seul.
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.