Les chercheurs développent une nouvelle méthode pour contrôler les robots mous

Les chercheurs du Massachusetts Institute of Technology ont trouvé un moyen de mieux contrôler et concevoir des robots mous pour effectuer des tâches ciblées. Cela a été un objectif dans la robotique molle depuis longtemps, et c’est une grande réalisation.

Les robots mous ont des corps flexibles qui peuvent bouger de manière infinie à tout moment. En ce qui concerne les calculs, c’est une représentation d’état très complexe, décrivant les mouvements de chaque partie du robot. Cela peut avoir des millions de dimensions, ce qui signifie qu’il est plus difficile de calculer la meilleure façon pour un robot d’effectuer des tâches ciblées complexes.

Les chercheurs du MIT présenteront un modèle à 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 faible dimension », basée sur la physique du robot, l’environnement et d’autres facteurs. Le modèle peut ensuite co-optimiser le contrôle des mouvements et les paramètres de conception des matériaux, qui sont ensuite orientés vers des tâches spécifiques.

Andrew Spielberg est un étudiant diplômé au Laboratoire d’informatique et d’intelligence artificielle (CSAIL).

« Les robots mous sont des créatures à dimensions infinies qui se courbent de manière différente à tout moment, mais en réalité, il y a des façons naturelles dont les objets mous sont susceptibles de se courber. Nous constatons que les états naturels des robots mous peuvent être décrits de manière très compacte dans une représentation à 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 à des robots mous 2D et 3D d’effectuer des tâches ciblées. Les tâches comprenaient le déplacement de distances différentes et l’atteinte de points ciblés. Le modèle a pu effectuer ces tâches plus rapidement et avec plus de précision que les méthodes actuelles. Les chercheurs veulent maintenant utiliser le modèle dans des robots mous réels.

D’autres personnes qui ont travaillé sur le projet incluent les étudiants diplômés de CSAIL, Allan Zhao, Tao Du et Yuanming Hu ; Daniel Rus, directeur de CSAIL et professeur d’électrotechnique et d’informatique Andrew et Erna Viterbi ; et Wojciech Matusik, professeur agrégé en électrotechnique et en informatique au MIT et chef du groupe de fabrication computationnelle.

La robotique molle 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 l’interaction plus sûre avec les humains, la manipulation d’objets, la manœuvrabilité et bien plus encore.

Pendant les 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 mou se déplace pour effectuer une tâche.

Finalement, les chercheurs ont développé une nouvelle méthode d’« optimisation d’apprentissage dans la boucle ». Tous les paramètres optimisés sont appris au cours d’une seule boucle de rétroaction qui a lieu sur plusieurs simulations. Au même moment, la méthode apprend la représentation d’état.

Le modèle utilise une technique appelée « méthode des points de matière (MPM) ». La MPM simule le comportement des particules de matériaux continus, comme les mousses et les liquides, et est entourée d’une grille de fond. La technique est capable de capturer les particules du robot et de son environnement observable en 3D, ou voxels.

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

La représentation compressée apprise agit comme la représentation d’état à faible dimension du robot. Les représentations compressées font boucler dans la phase d’optimisation du contrôleur, et il sort une action calculée pour chaque particule qui devrait ensuite se déplacer dans la prochaine étape stimulée par MPM.

Au même moment, le contrôleur utilise les informations pour ajuster la rigidité optimale de chaque particule. Les informations sur les matériaux pourraient être utilisées pour l’impression 3D de robots mous, puisque 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 », déclare Spielberg. « En apprenant ces paramètres ensemble, vous gardez tout synchronisé autant que possible pour rendre le processus de conception plus facile. »

Les chercheurs espèrent qu’ils pourront finalement concevoir des robots depuis la simulation jusqu’à la fabrication.