Universal Navigation Interface: Robot-Free Data for Wheeled Robot Navigation

Les robots mobiles font de plus en plus partie de notre quotidien, chargés de livrer des colis, d'inspecter des infrastructures ou de fournir une assistance à la mobilité aux personnes qui en ont besoin. Pour que ces machines puissent se déplacer en toute sécurité dans le monde encombré et irrégulier des trottoirs urbains, elles doivent apprendre à naviguer tout comme les humains le font : en observant leur environnement et en décidant de leur prochaine direction. La manière la plus efficace d'enseigner cette compétence à un robot est de lui montrer des milliers d'exemples de trajets réussis, un processus connu sous le nom de collecte de données de navigation. Traditionnellement, la collecte de ces données est une tâche lente et coûteuse, nécessitant que des chercheurs conduisent physiquement un robot à travers des quartiers, enregistrant soigneusement chaque virage et chaque obstacle. Cette méthode limite la quantité de données pouvant être collectées et restreint la variété d'environnements dont un robot peut apprendre, car déplacer des équipements lourds et spécialisés vers chaque nouveau lieu est souvent impraticable.

Le défi central consiste à trouver un moyen d'apprendre à un robot comment se déplacer sans utiliser le robot lui-même. Si un humain pouvait simplement parcourir un chemin et faire enregistrer ce trajet, il serait bien plus facile de rassembler les vastes quantités d'informations nécessaires pour entraîner ces machines. Cependant, une simple marche humaine n'est pas un substitut parfait. Les gens peuvent facilement enjamber des bordures, monter des escaliers ou se faufiler dans des interstices étroits qu'un robot à roues ne pourrait jamais gérer. Si un robot apprend d'un humain qui a monté un escalier, il pourrait essayer de faire de même, ce qui mènerait à un accident. La solution nécessite une méthode qui capture le mouvement humain mais empêche physiquement la collecte de parcours impossibles, garantissant que les données reflètent ce qu'une roue peut réellement faire.

Des chercheurs de l'Université Northeastern ont introduit une nouvelle approche appelée Universal Navigation Interface (Interface de Navigation Universelle), qui résout ce problème en utilisant un équipement commun : un déambulateur à quatre roues. Ce dispositif, souvent utilisé par des personnes ayant besoin de stabilité pour marcher, sert de filtre physique pour les données. Lorsqu'une personne pousse le déambulateur, elle est naturellement guidée vers des chemins qui sont sûrs pour les roues. Le déambulateur ne peut pas monter les escaliers, il ne peut pas franchir une bordure non aménagée et ne peut pas passer par des interstices trop étroits. Cette contrainte physique force l'opérateur à choisir des rampes, des descentes de trottoirs et des passages larges, biaisant ainsi efficacement la démonstration humaine vers des itinéraires réalisables pour un robot à roues. Le système est remarquablement simple et peu coûteux, consistant en l'utilisation du déambulateur lui-même et d'un smartphone standard monté sur les poignées. Le smartphone enregistre un flux synchronisé de données visuelles et spatiales, incluant des images en couleur, des informations de profondeur et des capteurs de mouvement, créant ainsi un enregistrement riche du trajet.

En utilisant cette configuration, l'équipe a collecté plus de trente-sept kilomètres de données de navigation à travers trois villes différentes. Ils ont marché dans des environnements urbains diversifiés, rencontrant tout, des chaussées humides et zones de construction aux passages piétons encombrés et trajets en ascenseur. Parce que le déambulateur empêchait physiquement les opérateurs de tenter de monter des escaliers ou de franchir des bordures non aménagées, le jeu de données résultant est naturellement exempt des types de manœuvres impossibles qui affectent souvent les autres données collectées par l'humain. Les chercheurs ont ensuite traité ces enregistrements pour extraire des trajectoires métriques précises — essentiellement, une carte de l'endroit exact où le dispositif s'est déplacé en distances réelles. Ils ont utilisé les informations de profondeur provenant des capteurs du smartphone pour ancrer les données de mouvement dans le monde physique, garantissant que les distances étaient précises plutôt que de simples estimations relatives.

Le véritable test de cette méthode était de savoir si les données pouvaient réellement apprendre à un robot à mieux naviguer. Les chercheurs ont pris des modèles de navigation existants, qui sont les "cerveaux logiciels" permettant aux robots de se déplacer, et les ont affinés en utilisant les nouvelles données collectées avec le déambulateur. Les résultats ont été significatifs. Lorsque ces modèles ont été testés sur des chemins inconnus, leur capacité à prédire la bonne route s'est améliorée de près de vingt-cinq pour cent par rapport à leurs performances précédentes. Cette amélioration s'est vérifiée sur trois types différents de modèles de navigation, suggérant que la méthode est robuste et largement applicable. De plus, les données capturaient des pauses naturelles, telles que l'attente à un passage piéton ou le fait de céder le passage à un piéton, qui sont souvent filtrées dans d'autres jeux de données mais qui sont cruciales pour un comportement robotique sûr. Lorsque les modèles ont été entraînés pour reconnaître ces moments stationnaires, leur capacité à prédire quand s'arrêter s'est considérablement améliorée, réduisant les erreurs dans ces situations de plus de soixante pour cent.

Pour prouver que ce savoir pouvait se transférer d'un simple déambulateur à une machine plus complexe, l'équipe a testé les modèles entraînés sur un fauteuil roulant électrique. Dans une série d'expériences en boucle fermée, le fauteuil roulant avait pour tâche d'approcher des obstacles tels que des bordures non aménagées et des escaliers. Une version du logiciel qui n'avait pas été entraînée sur les données du déambulateur continuait d'avancer, incapable de reconnaître l'obstacle, et aurait percuté sans intervention humaine. En revanche, le fauteuil roulant équipé du logiciel entraîné par l'UNI s'est arrêté avec succès devant les obstacles dans presque tous les essais. Il a également identifié et traversé correctement les descentes de trottoirs sans hésitation. Cela a démontré que les leçons apprises d'un simple déambulateur poussé par l'homme pouvaient être directement appliquées à une plateforme à roues différente et plus complexe, même si le dispositif de collecte et le robot cible n'étaient pas les mêmes.

L'étude conclut qu'un proxy physique simple et à faible coût peut efficacement remplacer les plateformes robotiques coûteuses pour la collecte de données de navigation. En utilisant un déambulateur pour contraindre les démonstrations humaines, les chercheurs ont créé un jeu de données qui est à la fois vaste et physiquement réaliste pour les robots à roues. Cette approche élimine la nécessité d'opérer un robot pendant la phase de collecte de données, rendant possible la collecte d'exemples de navigation diversifiés dans beaucoup plus de lieux et sous beaucoup plus de conditions que ce qui était auparavant réalisable. Bien que la méthode ne résolve pas tous les défis de la navigation robotique, elle offre un moyen pratique et évolutif d'enseigner aux robots comment se déplacer dans le monde, comblant ainsi le fossé entre l'intuition humaine et la capacité des machines.