Les ingénieurs développent un outil pour améliorer tout système robotique autonome

Une équipe d’ingénieurs du MIT a développé un code d’optimisation pour améliorer tout système robotique autonome. Le code identifie automatiquement comment et où modifier un système pour améliorer les performances d’un robot.

Les résultats des ingénieurs seront présentés à la conférence annuelle Robotics : Science and Systems à New York. L’équipe comprenait Charles Dawson, étudiant diplômé du MIT, et ChuChu Fan, professeur adjoint au département d’aérospatiale et d’astronautique du MIT.

Conception de systèmes d’intelligence artificielle et de robots

L’intelligence artificielle (IA) et les systèmes robotiques sont utilisés dans une large gamme d’industries, et chaque système est le résultat d’un processus de conception spécifique au système en question. Pour concevoir un robot autonome, les ingénieurs s’appuient sur des simulations d’essais et d’erreurs souvent informées par l’intuition. En même temps, les simulations sont adaptées aux composants spécifiques du robot et à ses tâches assignées, ce qui signifie qu’il n’y a pas de véritable « recette » pour garantir un résultat réussi.

Les ingénieurs du MIT changent cela avec leur nouvel outil de conception général pour les roboticiens. Ils ont développé un code d’optimisation qui peut être appliqué à des simulations de presque tout système robotique autonome, et qui aide à identifier automatiquement les moyens d’améliorer les performances d’un robot.

L’outil a démontré sa capacité à améliorer les performances de deux systèmes autonomes très différents. Le premier était un robot qui naviguait sur un chemin entre deux obstacles, et le second était une paire de robots qui travaillaient ensemble pour déplacer une boîte lourde.

Selon les chercheurs, cet outil d’optimisation général pourrait aider à accélérer le développement d’une large gamme de systèmes autonomes, tels que les robots marcheurs ou les véhicules autonomes.

Dawson et Fan ont déclaré qu’ils avaient réalisé la nécessité d’un tel outil après avoir observé les divers outils de conception automatisés disponibles pour d’autres disciplines d’ingénierie.

« Si un ingénieur mécanicien voulait concevoir une éolienne, il pourrait utiliser un outil de conception 3D pour concevoir la structure, puis utiliser un outil d’analyse par éléments finis pour vérifier si elle résistera à certaines charges », déclare Dawson. « Cependant, il manque ces outils de conception assistée par ordinateur pour les systèmes autonomes ».

Pour optimiser un système autonome, un roboticien développe généralement d’abord une simulation du système et de ses sous-systèmes interactifs avant de prendre certains paramètres de chaque composant. La simulation est ensuite exécutée pour voir comment le système se comporterait.

Plusieurs processus d’essais et d’erreurs doivent être exécutés avant que la combinaison optimale d’ingrédients puisse être déterminée, et cela est une entreprise fastidieuse.

« Au lieu de dire : ‘Étant donné une conception, quelle est la performance ?’, nous voulions inverser cela pour dire : ‘Étant donné la performance que nous voulons voir, quelle est la conception qui nous y mène ?’ » déclare Dawson.

Le cadre d’optimisation, ou code informatique, a été conçu pour trouver automatiquement les ajustements qui peuvent être apportés à un système existant. Le code est basé sur la différenciation automatique, qui est un outil de programmation initialement utilisé pour former des réseaux de neurones. Aussi appelé « autodiff », cette technique aide à évaluer rapidement et efficacement « la dérivée », ou la sensibilité au changement de tout paramètre.

« Notre méthode nous indique automatiquement comment faire de petits pas à partir d’une conception initiale vers une conception qui atteint nos objectifs », déclare Dawson. « Nous utilisons l’autodiff pour essentiellement creuser dans le code qui définit un simulateur, et déterminer comment faire cette inversion automatiquement ».

Test de l’outil

L’outil a été testé sur deux systèmes robotiques autonomes distincts, et il a amélioré les performances de chaque système dans des expériences de laboratoire. Alors que le premier système était un robot à roues conçu pour planifier un chemin entre deux obstacles, c’est le second système qui a été vraiment impressionnant.

Le second système était plus complexe, avec deux robots à roues travaillant ensemble pour pousser une boîte vers une position cible, ce qui signifie que la simulation comprenait beaucoup plus de paramètres. L’outil a pu identifier efficacement les étapes nécessaires pour que les robots accomplissent leur tâche, et le processus d’optimisation a été 20 fois plus rapide que les techniques conventionnelles.

« Si votre système a plus de paramètres à optimiser, notre outil peut faire encore mieux et peut économiser exponentiellement plus de temps », déclare Fan. « C’est essentiellement un choix combinatoire : à mesure que le nombre de paramètres augmente, les choix augmentent également, et notre approche peut réduire cela en une seule étape ».

L’optimiseur général est disponible pour téléchargement, et l’équipe va maintenant chercher à l’améliorer davantage, ce qui le rendra utile pour des systèmes plus complexes.

« Notre objectif est de permettre aux gens de construire de meilleurs robots », déclare Dawson. « Nous fournissons un nouveau bloc de construction pour optimiser leur système, afin qu’ils n’aient pas à partir de zéro ».