Les robots, les voitures autonomes et les engins spatiaux partagent un défi fondamental : ils doivent se déplacer d'un endroit à un autre tout en respectant les lois de la physique et en évitant les obstacles. Pour ce faire, ils s'appuient sur un processus mathématique appelé optimisation de trajectoire, qui agit comme un navigateur surpuissant. Ce navigateur calcule constamment le meilleur chemin possible en testant d'innombrables variations de vitesse et de direction, à la recherche de l'itinéraire qui utilise le moins d'énergie ou de temps. Lorsque le monde est simple et prévisible, les outils mathématiques standards peuvent résoudre ce casse-tête parfaitement. Mais le monde réel est désordonné. Les robots ont des articulations complexes, les voitures glissent sur des routes mouillées et les engins spatiaux doivent esquiver des débris. Dans ces situations, les mathématiques deviennent non linéaires et difficiles, nécessitant à l'ordinateur de faire une série de suppositions éclairées, de les affiner et de répéter le processus jusqu'à trouver une solution qui fonctionne. Ce processus itératif est la colonne vertébrale de la planification de mouvement moderne, permettant aux machines d'accomplir des tâches délicates comme l'assemblage de pièces ou l'atterrissage sur d'autres planètes.

Cependant, à mesure que ces machines deviennent plus capables, on leur demande d'opérer sous des règles plus strictes. Un bras robotique peut devoir éviter de heurter une main humaine, ou un drone peut devoir rester dans un couloir étroit. Pour faire respecter ces règles, les ordinateurs ajoutent des pénalités lourdes à leurs calculs chaque fois qu'un chemin est sur le point de transgresser une contrainte. Bien que cela force le robot à obéir, cela crée aussi un danger caché : les nombres que l'ordinateur utilise pour trouver le chemin peuvent devenir si radicalement différents en taille que la machine perd sa capacité à les distinguer. C'est comme essayer de mesurer la largeur d'un cheveu unique tout en se tenant à côté d'une montagne ; le minuscule détail se perd dans le bruit de l'échelle massive. Lorsque cela arrive, les calculs de l'ordinateur deviennent instables, et le robot peut échouer à trouver un chemin, ou pire, calculer un chemin qui semble parfait sur le papier mais qui est physiquement impossible.

Dans une étude récente, les chercheurs Maximilian Haas-Heger et Jur van den Berg de Waabi Innovation Inc. ont abordé ce problème d'instabilité numérique. Ils se sont concentrés sur un algorithme spécifique connu sous le nom de régulateur linéaire quadratique itératif, ou iLQR, qui est largement utilisé pour planifier ces chemins complexes. L'équipe a découvert qu'en modifiant la façon dont l'algorithme gère ses mathématiques internes, ils pouvaient le rendre nettement plus robuste sans ralentir sa vitesse. Leur travail se centre sur une technique appelée formulation par « racine carrée ». Dans l'informatique standard, l'algorithme suit une grande table de nombres représentant le coût de chaque mouvement possible. Lorsque les contraintes sont serrées, cette table devient difficile à lire. Les chercheurs ont réalisé qu'au lieu de suivre la table complète, l'algorithme pouvait suivre une version triangulaire plus simple, un peu comme ne garder que les ingrédients essentiels d'une recette plutôt que l'ensemble du garde-manger.

La clé de leur succès réside dans la manière dont ils ont simplifié le problème. Ils ont traité l'objectif du robot comme une somme pondérée d'erreurs, de la même manière qu'un photographe pourrait chercher à minimiser le flou d'une photo en ajustant des réglages spécifiques. En utilisant une méthode connue sous le nom de Gauss-Newton, qui approxime les courbes complexes par des lignes droites, ils ont assuré la stabilité de la structure mathématique du problème. Cela leur a permis de remplacer les calculs lourds et instables par une opération plus légère et plus précise appelée décomposition QR. Considérez cette opération comme un moyen d'organiser un tas de données désordonnées en une pile nette et ordonnée où chaque pièce s'emboîte parfaitement, sans aucun écart ni chevauchement. Cette nouvelle approche permet à l'ordinateur de maintenir sa précision même lorsque la pénalité pour la violation d'une règle devient énorme.

Les chercheurs ont testé leur nouvelle méthode sur un scénario exigeant impliquant deux bras robotiques travaillant ensemble pour transporter un objet rigide. Les bras devaient déplacer l'objet d'un point de départ vers un objectif tout en maintenant leurs prises à une distance fixe l'une de l'autre, une contrainte qui exigeait que l'ordinateur équilibre plusieurs demandes concurrentes. Ils ont lancé des simulations où la pénalité pour la violation de cette règle de distance était augmentée à des niveaux extrêmes, bien au-delà de ce qu'un ordinateur standard pourrait normalement gérer. Dans ces tests, la méthode traditionnelle a commencé à échouer, perdant en précision et finissant par produire des résultats aberrants à mesure que la pénalité augmentait. La nouvelle méthode de racine carrée, cependant, a tenu bon. Elle a continué à produire des chemins précis même lorsque la pénalité était si grande que la méthode standard s'était complètement effondrée. En fait, la nouvelle approche a conservé six à sept chiffres significatifs de précision en calcul arithmétique standard là où l'ancienne méthode en avait presque totalement perdu.

Cette amélioration n'est pas seulement une victoire théorique ; elle se traduit directement par de la fiabilité pour les machines réelles. L'étude a montré que la nouvelle méthode pouvait pousser le processus d'optimisation beaucoup plus loin, permettant aux robots de satisfaire les contraintes avec un niveau de rigueur qui était auparavant impossible. Alors que la méthode standard pourrait abandonner lorsqu'on lui demande d'être précise à un pour un million, la nouvelle méthode pourrait pousser cette précision à un pour cent milliards. Les chercheurs ont noté que ce gain de précision ne vient avec presque aucun coût supplémentaire en temps de calcul, ajoutant moins de trois pour cent au temps total requis pour résoudre un problème. Cela signifie que les ingénieurs peuvent utiliser la nouvelle méthode comme un remplacement direct de l'ancienne, rendant instantanément leurs robots plus capables de gérer des tâches difficiles et à enjeux élevés.

Le document traite également de la raison pour laquelle cette amélioration spécifique n'a pas été largement adoptée auparavant. Bien que des techniques similaires de « racine carrée » soient utilisées depuis des décennies dans les systèmes de navigation comme le filtre de Kalman, elles ont été plus difficiles à appliquer à l'optimisation de trajectoire car les mathématiques sont plus complexes. Les tentatives précédentes pour créer une version racine carrée de l'iLQR étaient soit trop compliquées à utiliser, soit numériquement inférieures. Les auteurs soutiennent que leur approche est différente car elle exploite la structure spécifique du problème pour simplifier les mathématiques, réduisant chaque étape à une opération unique et élégante. Ils suggèrent que pour tout robot planifiant un chemin sous des contraintes strictes, il n'y a aucune raison de ne pas utiliser cette méthode plus stable, tout comme les ingénieurs ne choisiraient pas un système de navigation instable pour un engin spatial.

En fin de compte, ce travail démontre que les limites du mouvement des robots sont souvent définies non pas par les lois de la physique, mais par les limites de la capacité de l'ordinateur à les calculer. En affinant la manière dont ces calculs sont effectués, les chercheurs ont supprimé une barrière significative, permettant aux machines de naviguer dans des environnements plus complexes et dangereux avec une plus grande confiance. L'étude confirme qu'avec les bons outils mathématiques, nous pouvons repousser les frontières de ce que les systèmes autonomes peuvent accomplir, garantissant qu'ils restent précis et fiables, même lorsque les enjeux sont les plus élevés.