Les robots effectuant des prouesses acrobatiques peuvent être une excellente astuce marketing, mais ces expositions sont généralement hautement chorégraphiées et minutieusement programmées. Aujourd’hui, des chercheurs ont formé un robot IA à quatre pattes pour affronter des parcours d’obstacles complexes et inédits dans des conditions réelles.

Créer des robots agiles est un défi en raison de la complexité inhérente du monde réel, de la quantité limitée de données que les robots peuvent collecter à ce sujet et de la vitesse à laquelle les décisions doivent être prises pour effectuer des mouvements dynamiques.

Des entreprises comme Boston Dynamics publient régulièrement des vidéos de leurs robots faisant tout ce qui va du parkour à routines de danse. Mais aussi impressionnants que soient ces exploits, ils impliquent généralement que des humains programment minutieusement chaque étape ou chaque entraînement dans les mêmes environnements hautement contrôlés, encore et encore.

Ce processus limite sérieusement la capacité de transférer les compétences vers le monde réel. Mais maintenant, des chercheurs de l'ETH Zurich en Suisse ont utilisé l'apprentissage automatique pour enseigner à leur chien robot ANYmal une suite de compétences locomotrices de base qu'il peut ensuite enchaîner pour affronter une grande variété de parcours d'obstacles difficiles, à l'intérieur comme à l'extérieur, à des vitesses allant jusqu'à à 4.5 miles par heure.

"L'approche proposée permet au robot de se déplacer avec une agilité sans précédent", écrivent les auteurs d'un nouvel article sur la recherche en sciences Robotique. "Il peut désormais évoluer dans des scènes complexes où il doit grimper et sauter sur de grands obstacles tout en sélectionnant un chemin non trivial vers son emplacement cible."

[Contenu intégré]

Pour créer un système flexible mais performant, les chercheurs ont divisé le problème en trois parties et attribué un réseau neuronal à chacune. Tout d’abord, ils ont créé un module de perception qui prend en compte les données des caméras et du lidar et les utilise pour créer une image du terrain et de tous les obstacles qui s’y trouvent.

Ils ont combiné cela avec un module de locomotion qui avait acquis un catalogue de compétences conçues pour l'aider à franchir différents types d'obstacles, notamment sauter, grimper, descendre et s'accroupir. Enfin, ils ont fusionné ces modules avec un module de navigation capable de tracer un parcours à travers une série d'obstacles et de décider quelles compétences invoquer pour les franchir.

«Nous remplaçons le logiciel standard de la plupart des robots par des réseaux de neurones», Nikita Rudin, l'un des auteurs de l'article, ingénieur chez Nvidia et doctorant à l'ETH Zurich, dit New Scientist. "Cela permet au robot d'adopter des comportements qui ne seraient pas possibles autrement."

L’un des aspects les plus impressionnants de la recherche est le fait que le robot a été formé à la simulation. Un goulot d’étranglement majeur en robotique est la collecte de suffisamment de données du monde réel pour que les robots puissent en tirer des enseignements. Les simulations peuvent aider à collecter des données beaucoup plus rapidement en soumettant de nombreux robots virtuels à des essais en parallèle et à une vitesse bien supérieure à celle possible avec des robots physiques.

Mais traduire les compétences acquises en simulation dans le monde réel est délicat en raison du fossé inévitable entre les mondes virtuels simples et le monde physique extrêmement complexe. Former un système robotique capable de fonctionner de manière autonome dans des environnements invisibles, tant à l’intérieur qu’à l’extérieur, est une réussite majeure.

Le processus de formation reposait uniquement sur l’apprentissage par renforcement – ​​en fait par essais et erreurs – plutôt que sur des démonstrations humaines, ce qui a permis aux chercheurs de former le modèle d’IA sur un très grand nombre de scénarios aléatoires plutôt que d’avoir à étiqueter chacun d’eux manuellement.

Une autre caractéristique impressionnante est que tout fonctionne sur des puces installées dans le robot, plutôt que sur des ordinateurs externes. Et en plus d'être capable de faire face à une variété de scénarios différents, les chercheurs ont montré que ANYmal pouvait se remettre d'une chute ou d'une glissade pour terminer la course d'obstacles.

Les chercheurs affirment que la vitesse et l'adaptabilité du système suggèrent que des robots formés de cette manière pourraient un jour être utilisés pour des missions de recherche et de sauvetage dans des environnements imprévisibles et difficiles à naviguer, comme les décombres et les bâtiments effondrés.

L’approche a cependant des limites. Le système a été formé pour faire face à des types spécifiques d’obstacles, même s’ils varient en taille et en configuration. Le faire fonctionner dans des environnements moins structurés nécessiterait beaucoup plus de formation dans des scénarios plus diversifiés pour développer une palette plus large de compétences. Et cette formation est à la fois compliquée et prend du temps.

Mais la recherche indique néanmoins que les robots sont de plus en plus performants d'opérer dans des environnements complexes et réels. Cela suggère qu’ils pourraient bientôt devenir une présence beaucoup plus visible tout autour de nous.

Crédit image: ETH Zurich

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://singularityhub.com/2024/03/14/watch-an-ai-robot-dog-rock-an-agility-course-its-never-seen-before/