Les robots ont longtemps été programmés pour se déplacer selon une règle unique et rigide : ne jamais toucher ce qui ne fait pas partie de leur propre corps. Dans le monde de la robotique, une collision est généralement traitée comme un échec binaire, une ligne dans le sable qu'une machine ne doit pas franchir. Cette approche fonctionne bien dans les usines propres et vides où chaque objet est fixé en place, mais elle s'effondre dans la réalité désordonnée et encombrée d'un foyer humain. Imaginez un robot essayant d'atteindre une tasse sur une table encombrée. Pour éviter de toucher une boîte située à proximité, le robot pourrait devoir faire un détour long et sinueux, ou il pourrait devoir s'arrêter et déplacer soigneusement la boîte avant de poursuivre son chemin. Ces deux options sont lentes et souvent inutiles. Une approche plus pratique permettrait au robot de pousser doucement la boîte pour l'écarter si la boîte est robuste et que la poussée ne cause aucun dommage. Le défi consiste à savoir quels objets sont sûrs à toucher et lesquels ne le sont pas, et à comprendre que pousser un objet peut entraîner sa collision avec un autre objet, potentiellement fragile, situé plus loin.

Des chercheurs de l'Université technologique de Nanyang ont développé un nouveau système de planification appelé CaSCo qui apprend aux robots à porter ces jugements nuancés. Au lieu de voir le monde comme une carte d'obstacles rigides à éviter, CaSCo traite l'environnement comme une collection d'objets présentant différents niveaux de risque. Une boîte en carton peut être à faible risque, tandis qu'une bouteille en verre ou un ordinateur portable sont à haut risque. Le système utilise l'intelligence artificielle pour attribuer ces valeurs de risque, puis exécute des simulations physiques pour prédire ce qui se passerait si le robot se déplaçait dans la scène. Il ne vérifie pas seulement si le robot heurte un objet ; il calcule si ce choc provoquerait une réaction en chaîne, où le premier objet glisserait contre un second, plus précieux. En pesant les conséquences de chaque mouvement possible, le robot peut trouver un chemin qui minimise le danger total pour la scène, même si ce chemin implique de toucher plusieurs objets à faible risque.

Le cœur de ce travail est de passer de la question « Vais-je heurter quelque chose ? » à « Que se passe-t-il si je le fais ? ». Dans la planification traditionnelle, un robot peut choisir un chemin qui évite tout contact, même si ce chemin est incroyablement long, ou il peut simplement essayer de retirer un obstacle avant de bouger. CaSCo occupe un juste milieu. Il permet au robot de frôler un objet léger si cela est plus sûr que l'alternative. Par exemple, dans un scénario de test, un robot devait atteindre une cible sur une table encombrée de divers articles. Un chemin exigeait que le robot se faufile dans un passage étroit, évitant tout contact mais empruntant une route longue. Un autre chemin impliquait de pousser doucement une boîte en carton et un paquet de chips pour les écarter. Un troisième chemin, qui semblait plus court, aurait nécessité que le robot frôle une bouteille en verre et une canette de soda. Le système a calculé que le chemin impliquant le carton et les chips était le plus sûr globalement, car la bouteille en verre présentait un risque élevé de casse ou de déversement de liquide, et la canette de soda pourrait rouler et heurter autre chose. Le robot a choisi le chemin qui touchait plus d'objets mais résultait en le moins de dommages potentiels.

Pour prendre ces décisions, le système construit un modèle mental de la scène qui se met à jour à mesure que le robot se déplace. Lorsque le robot pousse un objet, le système simule la physique de cette poussée pour voir où l'objet atterrit. Si cet objet heurte ensuite un second objet, le système enregistre également cette collision secondaire. Ceci est crucial car le risque d'un mouvement dépend de la disposition actuelle de la pièce. Pousser une boîte dans un espace vide est inoffensif, mais pousser cette même boîte dans une pile d'assiettes fragiles est dangereux. Les chercheurs ont constaté que l'ignorance de ces effets secondaires conduit à de mauvais choix. Dans leurs expériences, une méthode de planification qui ne regardait que le contact direct entre le robot et les objets échouait souvent à prévenir ces réactions en chaîne, entraînant un risque global plus élevé. En tenant compte de la cascade complète des interactions, CaSCo a systématiquement trouvé des chemins plus sûrs que ceux choisis par des méthodes qui ignoraient la réaction en chaîne ou traitaient tous les objets comme étant également dangereux.

L'équipe a testé leur système dans un environnement simulé utilisant un bras robotique similaire à ceux utilisés dans les laboratoires de recherche, en le plaçant dans deux types de scènes encombrées : une tâche d'atteinte d'étagère et une tâche de manipulation sur table. Ils ont créé vingt versions différentes de chaque scène, avec des objets disposés de diverses manières, et ont demandé au robot de trouver le meilleur chemin vers une cible. Les résultats ont montré que CaSCo était capable de résoudre chaque instance du problème, alors qu'un système traditionnel refusant de toucher quoi que ce soit échouait complètement dans ces contextes encombrés. Comparé à d'autres méthodes autorisant le contact, CaSCo a réduit le risque total des interactions de manière significative. Dans les tests sur table, par exemple, le nouveau système a obtenu un score de risque de 25,0, tandis qu'une méthode utilisant des valeurs de risque mais ignorant le mouvement des objets après la fin d'une collision a obtenu un score de 42,0. Cette différence souligne que savoir qu'un objet est fragile ne suffit pas ; le planificateur doit également comprendre comment le mouvement de cet objet modifie le reste de la scène.

L'efficacité était un autre axe majeur de l'étude. Comme le système doit simuler l'avenir de la scène pour chaque mouvement possible, les calculs peuvent devenir très lourds et lents. Les chercheurs ont développé un raccourci ingénieux permettant au système de sauter les calculs inutiles sans sacrifier la qualité du chemin final. Au lieu de simuler chaque possibilité, le système concentre sa puissance de calcul sur les itinéraires les plus prometteurs et ne simule les détails que lorsqu'un chemin semble être un candidat sérieux. Cette approche a réduit le temps nécessaire pour planifier un chemin d'environ 79 % dans les tests sur table, faisant passer le temps de planification de plus de deux minutes à environ vingt-six secondes. Malgré cette accélération, le système a toujours trouvé exactement le même chemin optimal qu'une méthode plus lente et plus exhaustive, prouvant que le raccourci n'a pas compromis la sécurité de la solution.

Enfin, les chercheurs ont déplacé le système de la simulation informatique vers un véritable robot physique pour voir comment il se comportait dans le monde réel. Ils ont installé un espace de travail avec des objets réels, incluant des boîtes, des bouteilles et des canettes, et ont laissé le robot planifier et exécuter ses mouvements. Le robot a navigué avec succès à travers l'encombrement, poussant doucement les objets à faible risque pour dégager un passage tout en évitant les objets à haut risque. Les tests en conditions réelles ont confirmé que le système pouvait gérer l'imprévisibilité des objets physiques, tels que les légères variations dans la façon dont une boîte glisse ou comment une canette roule. Bien que la simulation ait fourni la majeure partie des données, ces démonstrations en conditions réelles ont montré que la logique tient bon lorsque le robot touche réellement le monde. Ce travail ne prétend pas avoir résolu tous les problèmes de navigation robotique, et les chercheurs notent que les travaux futurs devront traiter l'incertitude et les interactions plus complexes, mais il établit une nouvelle voie claire pour la façon dont les robots pensent le contact.

La portée de ce travail réside dans sa capacité à rendre les robots plus adaptables et efficaces dans les environnements humains. En traitant la collision non pas comme un échec, mais comme un risque calculé, les robots peuvent se déplacer plus naturellement et plus rapidement dans des espaces encombrés. Ils n'ont plus besoin de s'arrêter pour demander la permission de déplacer un objet, ni de prendre de longs détours sinueux pour l'éviter. Au lieu de cela, ils peuvent prendre une décision instantanée basée sur la nature des objets environnants, choisissant un chemin qui peut impliquer une poussée douce sur une boîte en carton pour éviter la casse catastrophique d'un vase en verre. Cette approche comble le fossé entre la sécurité rigide des robots industriels et le mouvement fluide et intuitif des humains, suggérant un avenir où les robots pourront travailler à nos côtés dans nos maisons et nos bureaux sans être entravés par l'encombrement même qui définit ces espaces.