Des chercheurs développent une nouvelle méthode de contrôle des robots mous

Les chercheurs de la Massachusetts Institute of Technology (MIT) ont trouvé un moyen de mieux contrôler et concevoir des robots mous pour effectuer des tâches ciblées. C'est un objectif de la robotique douce depuis longtemps, et c'est une grande réussite. 

Les robots mous ont des corps flexibles capables de se déplacer d'un nombre infini de façons à tout moment. En termes de calcul, il s'agit d'une "représentation d'état" très complexe décrivant les mouvements de chaque partie du robot. Ceux-ci peuvent éventuellement avoir des millions de dimensions, ce qui signifie qu'il est plus difficile de calculer la meilleure façon pour un robot d'accomplir des tâches cibles complexes.

Les chercheurs du MIT présenteront un modèle lors de la conférence sur les systèmes de traitement de l'information neuronale en décembre. Le modèle est capable d'apprendre une représentation d'état compacte ou "à basse dimension" basée sur la physique du robot, l'environnement et d'autres facteurs. Le modèle est alors capable de co-optimiser le contrôle des mouvements ainsi que les paramètres de conception des matériaux, ceux-ci sont alors destinés à des tâches spécifiques. 

Andrew Spielberg est étudiant diplômé du Laboratoire d'informatique et d'intelligence artificielle (CSAIL). 

"Les robots mous sont des créatures aux dimensions infinies qui se plient d'un milliard de façons différentes à un moment donné, mais en vérité, il existe des façons naturelles dont les objets mous sont susceptibles de se plier. Nous constatons que les états naturels des robots mous peuvent être décrits de manière très compacte dans une description de faible dimension. Nous optimisons le contrôle et la conception des robots mous en apprenant une bonne description des états probables. »

Dans les simulations qui ont eu lieu, le modèle a permis aux robots mous 2D et 3D d'accomplir les tâches cibles. Les tâches comprenaient le déplacement de différentes distances et l'atteinte de points cibles. Le modèle était capable de les faire plus rapidement et avec plus de précision que les autres méthodes actuelles. Les chercheurs veulent maintenant utiliser le modèle dans de vrais robots mous. 

Parmi les autres personnes qui ont travaillé sur le projet figurent les étudiants diplômés de CSAIL, Allan Zhao, Tao Du et Yuanming Hu; Daniel Rus, directeur du CSAIl et professeur Andrew et Erna Viterbi de génie électrique et d'informatique; et Wojciech Matusik, professeur associé au MIT en génie électrique et en informatique et chef du Computational Fabrication Group. 

La robotique douce est un domaine en pleine croissance qui est extrêmement important dans le cadre plus large de la robotique avancée. Des caractéristiques telles que des corps flexibles pourraient jouer un rôle dans une interaction plus sûre avec les humains, la manipulation d'objets, la maniabilité et bien plus encore. 

Lors des simulations, un « observateur » est responsable du contrôle des robots. Un "observateur" est un programme qui calcule des variables qui voient la façon dont le robot logiciel se déplace afin d'accomplir une tâche. 

Finalement, les chercheurs ont développé une nouvelle méthode d'« optimisation de l'apprentissage en boucle ». Tous les paramètres optimisés sont appris au cours d'une seule boucle de rétroaction qui se déroule sur plusieurs simulations. En même temps, la méthode apprend la représentation de l'état. 

Le modèle utilise une technique appelée « méthode du point matériel (MPM). Un MPM simule le comportement des particules de matériaux continus, comme les mousses et les liquides, et il est entouré d'une grille de fond. La technique est capable de capturer les particules du robot et son environnement observable en pixels 3D, ou voxels. 

Les informations brutes de la grille de particules sont ensuite envoyées à un composant d'apprentissage automatique. Il apprend à saisir une image, à la compresser en une représentation de faible dimension, puis à la décompresser à nouveau dans l'image d'entrée. 

La représentation compressée apprise agit comme la représentation d'état de faible dimension du robot. Les représentations compressées reviennent en boucle dans le contrôleur dans une phase d'optimisation, et il produit une action calculée pour la façon dont chaque particule doit ensuite se déplacer dans la prochaine étape stimulée par MPM. 

En même temps, le contrôleur utilise les informations pour ajuster la rigidité optimale de chaque particule. Les informations sur les matériaux pourraient être utilisées pour les robots souples d'impression 3D, car chaque point de particule peut être imprimé avec une rigidité différente. 

"Cela permet de créer des conceptions de robots adaptées aux mouvements du robot qui seront pertinents pour des tâches spécifiques", explique Spielberg. "En apprenant ces paramètres ensemble, vous gardez tout aussi synchronisé que possible pour faciliter ce processus de conception."

Les chercheurs espèrent qu'ils pourront éventuellement concevoir de la simulation à la fabrication.