Dual-Level Humanoid Whole-Body Controller
Cet article présente Jaeger, un contrôleur de corps entier à deux niveaux pour les robots humanoïdes qui découple le contrôle du haut et du bas du corps afin de surmonter les défis de dimensionnalité, utilisant une approche hybride d'apprentissage supervisé et par renforcement entraînée sur des données de mouvement humain re-visées pour atteindre des performances robustes et polyvalentes tant en simulation que dans des environnements réels.
Article original sous licence CC BY 4.0 (https://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
Les robots humanoïdes sont depuis longtemps le rêve de la science-fiction, des machines construites pour ressembler à nous et bouger comme nous, capables de gravir nos escaliers, d'ouvrir nos portes et de manipuler nos outils. Pour que ces robots soient véritablement utiles, ils doivent maîtriser le contrôle du corps entier, un équilibre complexe où la machine coordonne des dizaines d'articulations simultanément pour rester debout tout en tendant le bras, en marchant ou en portant des objets. Le défi réside dans le nombre considérable de pièces mobiles ; les bras et les jambes d'un robot ont souvent des besoins conflictuels, comme des bras qui balancent frénétiquement pour saisir une tasse tandis que les jambes doivent rester parfaitement stables pour éviter une chute. Les méthodes traditionnelles peinent souvent à apprendre à un programme informatique unique à gérer tous ces éléments mobiles à la fois, ce qui entraîne des mouvements rigides, instables ou sujets à l'échec lorsque le robot est confronté à l'imprévisibilité du monde réel.
Une équipe de chercheurs de l'Académie de l'intelligence artificielle de Pékin a développé une nouvelle approche à ce problème, créant un système de contrôle qu'ils appellent JAEGER. Au lieu de forcer un cerveau unique à gérer l'ensemble du robot, ils ont divisé la tâche en deux rôles distincts, un peu comme le cerveau humain pourrait gérer séparément le rythme de la marche tout en concentrant ses mains sur une tâche délicate. Ce système à double niveau assigne un contrôleur au bas du corps du robot, responsable de l'équilibre et du mouvement sur le sol, et un second contrôleur indépendant au haut du corps, dédié à l'extension et à la manipulation d'objets. En séparant ces fonctions, les chercheurs ont découvert qu'ils pouvaient entraîner le robot plus efficacement, permettant à chaque partie de se concentrer sur sa tâche spécifique sans gêner l'autre.
Les chercheurs ont testé ce système sur deux robots humanoïdes différents, le H1 et le H1-2, en effectuant des milliers de sessions d'entraînement dans un environnement simulé avant de passer au monde réel. Ils ont appris aux robots à effectuer une grande variété de tâches, allant de la marche latérale et vers l'avant à l'exécution de mouvements complexes de type danse nécessitant une coordination précise entre le torse et les membres. Dans une démonstration, le robot a utilisé un joystick et une interface de réalité virtuelle pour s'approcher et saisir une poupée en mouvement, s'appuyant sur le contrôleur du bas du corps pour maintenir la stabilité tandis que le contrôleur du haut du corps guidait les bras. Dans une autre, le robot a effectué une série de pas de danse, déplaçant son poids et ses membres selon une séquence fluide qui exigeait que les deux contrôleurs travaillent en harmonie.
Pour faire fonctionner cela, l'équipe a dû résoudre un problème de données difficile : comment traduire les mouvements humains, enregistrés à partir de personnes réelles, en instructions qu'un robot peut suivre. Les corps humains et les corps robotiques sont construits différemment ; un humain possède un nombre de articulations différent et une amplitude de mouvement différente d'une machine. Les chercheurs ont créé un système rapide et efficace pour projeter les poses humaines sur le squelette du robot, garantissant que les mouvements paraissent naturels et physiquement possibles pour la machine. Ils ont ensuite utilisé une méthode d'apprentissage par étapes, apprenant d'abord au robot à marcher et à s'équilibrer seul, puis en introduisant progressivement les tâches du haut du corps. Cette approche a empêché le robot de devenir confus ou instable pendant le processus d'apprentissage, lui permettant de converger vers une solution à la fois robuste et polyvalente.
Les résultats de leurs expériences ont montré que cette stratégie de contrôle divisé fonctionnait nettement mieux que les méthodes précédentes. Lors des tests sur la capacité des robots à suivre des commandes pour se déplacer à des vitesses spécifiques ou maintenir des poses précises, le nouveau système a commis moins d'erreurs que les principales alternatives. Par exemple, lorsqu'on lui a demandé de suivre une vitesse cible en se déplaçant, le robot utilisant le nouveau système présentait des erreurs d'environ 0,15 mètre par seconde dans sa vitesse de marche vers l'avant, une amélioration marquée par rapport aux autres méthodes qui peinaient à garder le cap. De même, lorsqu'on lui a demandé d'imiter des poses complexes, les articulations du robot se sont déplacées avec une précision bien plus grande, réduisant la différence entre la position voulue et la position réelle à une fraction de ce que d'autres systèmes ont atteint.
Les chercheurs ont également découvert que le maintien de la séparation des deux contrôleurs était crucial pour la stabilité du robot. Lorsqu'ils ont tenté d'utiliser un contrôleur unique pour gérer l'ensemble du corps, le robot sacrifiait souvent l'équilibre pour le mouvement, ou vice versa, entraînant des tentatives saccadées ou ratées de tâches complexes. En découplant les systèmes, le bas du corps pouvait continuer à fonctionner efficacement même si le haut du corps rencontrait un problème, et le haut du corps pouvait se concentrer entièrement sur la tâche à accomplir sans se soucier de la mécanique de la marche. Cette conception a également rendu le processus d'apprentissage plus rapide et plus fiable, car le système pouvait apprendre à partir de données de mouvement humain sans être entravé par les demandes conflictuelles d'un réseau de contrôle monolithique et unique.
Dans les tests finaux, les robots ont démontré une capacité remarquable à se remettre des perturbations. Lorsque les chercheurs ont appliqué des forces latérales équivalentes à une poussée allant jusqu'à 210 newtons, les robots ont été capables de maintenir leur équilibre ou de se rétablir après le trébuchement dans plus de 90 pour cent des essais. Cette résilience suggère que le système n'est pas seulement un succès théorique, mais une solution pratique pour des applications du monde réel. Les chercheurs ont noté que leur méthode permet des mises à jour à haute fréquence, ce qui signifie que le robot peut ajuster ses mouvements plus de mille fois par seconde, une vitesse nécessaire pour des tâches à faible latence comme la chirurgie à distance ou la manipulation délicate.
Ce travail ne prétend pas avoir résolu tous les problèmes de la robotique, mais il offre une voie claire pour rendre les robots humanoïdes plus capables et plus fiables. En décomposant la tâche complexe du contrôle du corps entier en parties spécialisées et gérables, les chercheurs ont montré que les robots peuvent apprendre à se déplacer avec un niveau de fluidité et d'adaptabilité auparavant difficile à atteindre. Le succès de JAEGER suggère que l'avenir de la robotique humanoïde pourrait ne pas résider dans la construction d'un cerveau unique et omniscient, mais dans la création de systèmes où les différentes parties de la machine peuvent travailler ensemble, chacune faisant ce qu'elle fait de mieux, pour atteindre un objectif commun.
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.