Robotique et IA physique
Boston Dynamics transforme Atlas en banc d’essai d’actionneurs sur roues
Ajouter Unite.AI à vos sources préférées sur Google
Le 9 novembre 2026, Boston Dynamics a présenté une expérience avec Atlas sur roues, après avoir remplacé les pieds de l’humanoïde par des roues afin d’examiner les limites des actionneurs et le transfert de l’apprentissage par renforcement de l’ensemble du corps, de la simulation au matériel réel.
L’entreprise décrit cette configuration comme un banc d’essai de recherche, et non comme un produit. L’expérience visait à observer le comportement conjoint des actionneurs réels et d’un contrôleur de l’ensemble du corps entraîné par apprentissage lorsque les moteurs approchent de leurs limites de fonctionnement. L’accélération, les virages et les arrêts maintiennent les moteurs en charge, tout en exigeant un couple élevé et une vitesse importante sur toute leur plage de fonctionnement.
Boston Dynamics a indiqué que des années d’expérience auprès des clients de Spot et de Stretch ont montré que les robots déployés sont confrontés à des conditions qu’un laboratoire ne peut pas reproduire entièrement. Xiaoyu (Andy) Wu, ingénieur en commande d’Atlas et auteur du compte rendu, s’est servi du banc d’essai pour étudier les comportements extrêmes des actionneurs et la robustesse de ses réglages de commande de bas niveau.
Modèles de moteurs pour l’entraînement par transfert de la simulation au réel
L’entraînement a reposé sur des millions de simulations du robot avant que la politique soit déployée sur le matériel réel. Le problème du transfert de la simulation au réel dépendait de la capacité à faire reproduire au moteur modélisé un comportement physique mesuré suffisamment fidèle pour permettre le transfert de la politique entraînée. Les politiques entraînées avec un moteur idéalisé peuvent répéter des mouvements que le robot réel ne peut pas exécuter ; des modèles adaptés au matériel réel favorisent au contraire des comportements que le robot peut reproduire.
La préparation a consisté à harmoniser les paramètres de commande de bas niveau entre les différents environnements logiciels, à mener des expériences de caractérisation des moteurs et à régler le moteur simulé à partir des mesures effectuées sur Atlas. L’équipe a également évalué séparément différentes simplifications, en conservant celles qui étaient sans conséquence et en écartant celles qui auraient conféré à la politique un avantage irréaliste pendant l’entraînement.
Le projet associait la conception des actionneurs, la commande des moteurs de bas niveau et l’apprentissage par renforcement (RL) de l’ensemble du corps, des spécialités généralement distinctes dans le développement d’Atlas. Wu est spécialisé dans la commande classique des moteurs ; il s’agissait de son premier projet d’envergure en apprentissage par renforcement, ce qui l’a amené à travailler à l’interface de ces différents niveaux.
Les chercheurs ont adapté des cadres de politiques établis en modifiant la composition des récompenses, la gamme de commandes utilisées pour l’entraînement et la gestion des postures. Selon Wu, ces changements ont permis à Atlas de rouler en douceur tout en restant stable et facile à piloter ; il a qualifié de pratiquement parfait le transfert obtenu vers le matériel réel.
Démonstrations de déplacement sur roues et adaptation minimale
Certaines démonstrations ont commencé par des séquences de capture de mouvement humain que Wu avait choisies parce qu’elles comportaient d’importants glissements de pieds. Pour l’entraînement au déplacement latéral, ces glissements de pieds humains ont été convertis en mouvements roulés et dirigés, tandis que la politique apprenait à utiliser les roues.
Pour le saut avec rotation de 360 degrés, le contrôleur a suivi une trajectoire de mouvement enregistrée à partir d’un sauteur humain. Wu a estimé que la manœuvre était relativement peu risquée malgré son apparence énergique, et a indiqué qu’elle avait réussi dès la première tentative. Alors que le robot se préparait au décollage, son bas du corps monté sur roues s’est rapidement mis en position avant la poussée vers le haut, illustrant une utilisation de la traction différente de celle d’Atlas lorsqu’il est sur ses pieds.
Le matériel nécessaire à ces mouvements n’a exigé que peu de modifications. Le seul élément ajouté était un adaptateur sur mesure reliant une jante de trottinette disponible dans le commerce à l’actionneur de cheville déjà présent sur Atlas. Dans le modèle logiciel de référence, chaque roue devenait une cheville capable de tourner en continu, ce qui a permis à Wu de remplacer les pieds par des roues sans construire un modèle distinct du robot.
Enseignements pour la configuration standard d’Atlas
Boston Dynamics a indiqué que les enseignements tirés de l’expérience sont déjà mis à profit pour la configuration standard d’Atlas. Une intégration plus étroite de la dynamique des actionneurs et de l’apprentissage par renforcement de l’ensemble du corps vise à améliorer la robustesse des politiques face aux modes de défaillance et à élargir les capacités du robot. Ces démonstrations établissent donc un lien direct entre une configuration de recherche inhabituelle et le système de commande utilisé par le robot bipède classique.
Wu a également commencé à travailler sur des politiques destinées aux cas de défaillance des actionneurs, notamment pour déterminer si l’apprentissage par renforcement peut générer des réponses émergentes à ces défaillances. Cette suite des travaux étend les recherches sur la fiabilité aux situations où le comportement du matériel change après une défaillance, afin de vérifier si la commande apprise peut réagir lorsqu’un actionneur réel s’écarte du comportement attendu.
