Passer d'un smartphone à un autre est généralement une procédure fluide. Vous vous connectez à vos comptes et vos applications, préférences et contacts se synchronisent sur le nouveau matériel. Mais dans le monde de la robotique, échanger un vieux bras robotique pour un modèle plus récent signifiait tout configurer à partir de zéro – jusqu'à maintenant.
Pour résoudre ce problème, une équipe de chercheurs de l'École Polytechnique Fédérale de Lausanne (EPFL) a développé ce qu'ils appellent l'Intelligence Cinématique, un cadre qui rend le changement de robots plus similaire au changement de smartphones. Ils décrivent leur système dans un récent article de Science Robotics.
Pendant des années, les roboticistes ont travaillé pour faire apprendre aux robots par démonstration – leur enseigner de nouvelles compétences en leur montrant quoi faire, plutôt qu'en écrivant des lignes de code. L'idée est de contrôler à distance ou de guider physiquement le bras du robot pour lui apprendre une tâche comme essuyer une table, empiler des boîtes ou souder un composant de voiture. Le problème est que la plupart de ces compétences enseignées finissent par être liées au robot spécifique avec lequel l'entraînement a été effectué.
Mais la robotique progresse rapidement. « Les robots ont des conceptions différentes, et de nos jours, de nouvelles conceptions sont proposées – cela apporte son propre lot de défis », a déclaré Sthithpragya Gupta, roboticiste à l'EPFL et auteur principal de l'étude. Si un nouveau robot a des liaisons légèrement plus longues, une orientation d'articulation différente ou une configuration plus complexe, ce comportement appris se brise instantanément et le nouveau robot va probablement s'agiter, se figer ou planter s'il tente de l'exécuter.
« Avec de nouvelles conceptions viennent des capacités et des contraintes différentes », a déclaré Durgesh Haribhau Salunkhe, roboticiste à l'EPFL et co-auteur de l'étude. « Le problème est de s'adapter à ces contraintes et capacités – pour reproduire fidèlement les actions démontrées par un humain. » Aujourd'hui, faire le saut d'un corps de robot à un autre signifie généralement recommencer à zéro et réentraîner tout le système.
Lorsqu'un robot se déplace dans l'espace pour accomplir une tâche, il doit constamment calculer comment plier ses articulations pour maintenir son effecteur final (un équivalent robotique d'une main) sur la bonne trajectoire. Le robot doit éviter d'atteindre une limite physique, ou pire, une singularité, qui en robotique est une zone de danger mathématique : une configuration physique où les articulations du robot s'alignent de telle manière qu'il perd temporairement un degré de liberté. « Dans de telles positions, le mouvement du robot peut devenir instable ou [vous] pouvez perdre le contrôle du robot », a déclaré Gupta.
En termes humains, cela fonctionne à peu près comme le blocage des coudes lorsqu'ils sont complètement tendus en poussant quelque chose de lourd, ce qui rend les bras incapables de faire des mouvements latéraux pendant un moment.
Transférer des compétences d'un robot à un autre est difficile car des robots de structures différentes ont généralement une topologie de singularités différente. Lorsque l'algorithme d'un robot suit aveuglément un chemin et rencontre une singularité, les mathématiques contrôlant ses articulations échouent. Le robot pourrait essayer de faire tourner une articulation à une vitesse infinie, par exemple, entraînant un mouvement soudain et dangereux. L'équipe de Gupta a résolu ce problème en donnant aux robots une conscience mathématique innée et profonde de leurs propres limitations physiques. Cette Intelligence Cinématique, comme ils l'appellent, permet à un utilisateur de démontrer une compétence une seule fois, et de la faire exécuter en toute sécurité par un type de robot complètement différent.
Et (étonnamment, de nos jours) l'Intelligence Cinématique a été construite sans IA.
Traditionnellement, les ingénieurs ont traité les singularités par des correctifs logiciels. Ils ont construit des modèles inverses, des formules mathématiques complexes qui travaillent à rebours à partir de la position cible de l'effecteur final du robot pour cartographier toutes les positions articulaires nécessaires pour y arriver. Ensuite, ils ont simplement ajouté des filtres de sécurité ou des corrections pour empêcher le robot de se mettre en difficulté.
Certaines des approches d'IA plus récentes, basées sur les données, nécessitent moins d'efforts et d'expertise mais exigent l'accès à chaque robot sur lequel le logiciel de contrôle sera utilisé pendant la phase d'entraînement. « De plus, il y a cette nature probabiliste ou de boîte noire de l'IA où elle peut faire quelque chose d'inattendu », a déclaré Gupta. « Notre approche est déterministe et transparente. »