Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

Les robots à quatre pattes sont devenus remarquablement habiles pour naviguer dans le monde désordonné et inégal dans lequel nous vivons. Ils peuvent grimper sur des rochers, marcher dans la boue et se remettre de glissades avec une grâce qui semblait autrefois impossible pour des machines. Cependant, un obstacle important subsiste lorsque l'on demande à ces robots de faire plus que simplement marcher : pousser, tirer ou transporter des objets tout en se déplaçant. Cette double tâche, appelée loco-manipulation, exige que le robot interagisse avec son environnement de manières complexes. La difficulté réside dans le fait que le monde physique est rempli d'inconnues. Un robot ne sait pas intrinsèquement si une boîte est lourde, si le sol est rugueux ou quelle est la friction entre ses pieds et le sol. Si un robot suppose qu'une boîte est légère alors qu'elle est en réalité lourde, ou suppose que le sol est glissant alors qu'il est adhérent, ses mouvements échoueront. Il pourrait glisser, lâcher l'objet ou perdre son équilibre. Pour qu'un robot réussisse dans ces conditions incertaines, il ne peut pas s'appuyer sur un ensemble de règles préprogrammées basées sur une connaissance parfaite ; il doit être capable d'apprendre les propriétés physiques de son environnement pendant qu'il se déplace.

Les chercheurs ont longtemps tenté de résoudre ce problème en apprenant aux robots à deviner ces propriétés avant de commencer une tâche, ou en utilisant des modèles mathématiques complexes qui exigent que le robot calcule la physique exacte de chaque interaction. Ces méthodes traditionnelles éprouvent souvent des difficultés car le monde réel est trop chaotique pour des calculs parfaits, surtout lorsque les pieds d'un robot entrent et sortent constamment en contact avec le sol. Une nouvelle approche, développée par une équipe d'ingénieurs, propose une solution différente. Au lieu d'essayer de calculer la réponse parfaite dès le départ, le robot teste continuellement de nombreuses possibilités dans son propre esprit, les compare à ce qu'il ressent réellement et met à jour sa compréhension en temps réel. Cette méthode permet au robot de s'adapter instantanément lorsque le poids d'un objet change ou lorsqu'il passe d'un sol lisse à un sol rugueux.

Le cœur de ce nouveau système est un cadre que les chercheurs appellent Adaptive-MHE. Pour comprendre son fonctionnement, imaginez un robot poussant une boîte lourde sur un sol. À mesure que le robot se déplace, il enregistre chaque détail de l'interaction : sa vitesse de déplacement, la façon dont ses articulations se courbent et la réaction de la boîte. Le système lance ensuite une simulation rapide et parallèle en arrière-plan. Il génère des milliers de différents scénarios de type « et si ». Dans un scénario, la boîte pourrait être très légère ; dans un autre, elle pourrait être extrêmement lourde ; dans un troisième, le sol pourrait être recouvert de glace. Le système simule la façon dont le robot se déplacerait sous chacune de ces différentes hypothèses. Il compare ensuite ces mouvements simulés aux données réelles que le robot collecte dans le monde réel. Le scénario qui correspond le plus étroitement aux données du monde réel est sélectionné comme étant la vérité la plus probable. Ce processus n'est pas un calcul unique ; il se produit continuellement dans une fenêtre glissante, affinant constamment l'estimation du monde par le robot à mesure que de nouvelles informations arrivent.

Ce processus d'estimation est étroitement couplé au système de contrôle du robot. Une fois que le système a une meilleure idée du poids de la boîte ou de la friction du sol, il utilise immédiatement cette information pour ajuster les mouvements du robot. Le système de contrôle, qui décide de la manière dont les pattes du robot doivent bouger, utilise ces estimations mises à jour pour planifier ses prochaines étapes. Si le robot réalise que la boîte est plus lourde qu'il ne le pensait, il appliquera automatiquement plus de force. S'il détecte que le sol est plus glissant, il ajustera sa posture pour maintenir son équilibre. L'ensemble de la boucle de détection, d'estimation et d'action se déroule si rapidement que le robot semble réagir instinctivement aux changements de son environnement. Les chercheurs ont testé ce système sur un robot quadrupède nommé Unitree Go1, qui est un robot à quatre pattes disponible dans le commerce. Ils l'ont placé dans une série de tâches exigeantes conçues pour tester sa capacité à gérer l'incertitude.

Dans un ensemble d'expériences, le robot avait pour tâche de pousser une boîte vers un objectif spécifique. Les chercheurs ont introduit des changements soudains dans l'environnement pour voir comment le robot réagirait. Dans un scénario, la masse de la boîte a été augmentée d'un kilogramme alors que le robot était déjà en train de la pousser. Dans un autre, le robot devait pousser la boîte à travers deux types de sols différents : l'un avec un coefficient de friction faible de 0,4 et l'autre avec un coefficient de friction élevé de 0,8. Le robot devait détecter ce changement de texture du sol et ajuster sa force de poussée en conséquence sans s'arrêter ni perdre le contrôle. Le système a également testé la capacité du robot à pousser une boîte en utilisant une seule patte tout en gardant les trois autres pattes stationnaires, une tâche qui nécessite une précision dans l'application de la force et de l'équilibre.

Les résultats ont montré que le système Adaptive-MHE surpasse de manière significative les robots qui reposent sur des hypothèses fixes et préétablies sur l'environnement. Lorsqu'on donnait au robot une croyance fixe sur le poids de la boîte ou la friction du sol, il échouait à accomplir la tâche dans la majorité des essais, glissant souvent ou manquant la cible. En revanche, le robot adaptatif a réussi dans près de 87 pour cent des essais, même s'il partait sans aucune connaissance des véritables propriétés physiques. Bien qu'il n'ait pas été aussi parfait qu'un robot hypothétique qui connaîtrait exactement le poids et la friction dès le début, il s'en est approché remarquablement. Le robot adaptatif a été capable de réduire son erreur pour atteindre l'objectif à une fraction de la distance du robot non adaptatif. Il a également terminé les tâches plus rapidement et avec moins d'énergie gaspillée.

Les chercheurs ont constaté que le système fonctionnait mieux lorsqu'il mettait à jour ses estimations fréquemment, mais pas si fréquemment qu'il devenait instable. Ils ont testé diverses configurations pour déterminer la fréquence à laquelle le robot devrait réévaluer l'environnement et le nombre de scénarios différents qu'il devrait simuler à la fois. Ils ont découvert qu'un équilibre était nécessaire : mettre à jour les estimations toutes les quelques secondes permettait au robot de suivre efficacement les changements sans être submergé par le bruit des données. Le système a été capable d'identifier la masse de l'objet et la friction du terrain avec une grande précision, même lorsque ces propriétés changeaient brusquement pendant la tâche. Cette capacité suggère que les robots peuvent être conçus pour fonctionner efficacement dans des environnements où les propriétés physiques sont inconnues ou constamment changeantes, sans avoir besoin d'être réentraînés pour chaque nouvelle situation.

Ce travail représente une avancée significative pour rendre les robots plus robustes et polyvalents. En combinant une méthode d'estimation des paramètres physiques avec un contrôleur capable d'agir sur ces estimations en temps réel, les chercheurs ont créé un système capable de gérer l'imprévisibilité du monde réel. L'approche ne nécessite pas de capteurs spéciaux pour mesurer directement le poids ou la friction ; elle déduit plutôt ces propriétés à partir des propres mouvements et interactions du robot. Cela rend la technologie plus pratique pour un déploiement dans des contextes divers, comme les entrepôts ou les zones de catastrophe, où les conditions sont rarement connues à l'avance. Le succès du cadre Adaptive-MHE démontre que les robots peuvent apprendre à s'adapter à leur environnement physique à la volée, comblant ainsi le fossé entre l'environnement contrôlé d'une simulation et la réalité chaotique du monde extérieur.