Nouvel algorithme permet aux robots souples auto-sensibles d'accomplir des tâches fiables

Il existe des tâches que les robots traditionnels — le type rigide et métallique — ne peuvent pas effectuer. Les robots à corps souple peuvent interagir avec les gens plus en sécurité ou se faufiler dans des espaces étroits avec aisance. Mais pour que les robots accomplissent de manière fiable leurs tâches programmées, ils doivent connaître la localisation de toutes leurs parties corporelles. C'est une tâche difficile pour un robot souple qui peut se déformer d'une infinité de façons.

Des chercheurs ont développé un algorithme pour aider les ingénieurs à concevoir des robots souples qui collectent des informations plus utiles sur leur environnement. L'algorithme d'apprentissage profond suggère un placement optimisé des capteurs dans le corps du robot, lui permettant de mieux interagir avec son environnement et d'accomplir les tâches assignées. Cette avancée est un pas vers l'automatisation de la conception de robots. Le système n'apprend pas seulement une tâche donnée, mais aussi comment concevoir au mieux le robot pour résoudre cette tâche.

Créer des robots souples qui accomplissent des tâches réelles a été un défi en robotique. Les robots rigides ont un avantage inhérent : une gamme de mouvements limitée. Le réseau fini d'articulations et de membres des robots rigides permet généralement des calculs gérables par les algorithmes qui contrôlent la cartographie et la planification de mouvement. Les robots souples ne sont pas si traitables.

Les robots à corps souple sont flexibles et souples — ils ressemblent généralement plus à une balle rebondissante qu'à une boule de bowling. Tout point sur un robot à corps souple peut, en théorie, se déformer de n'importe quelle façon possible. Cela rend difficile la conception d'un robot souple qui peut cartographier la localisation de ses parties corporelles. Les efforts passés ont utilisé une caméra externe pour tracer la position du robot et renvoyer cette information dans le programme de contrôle du robot. Mais les chercheurs voulaient créer un robot souple indépendant de toute aide externe.

Ils ont développé une nouvelle architecture de réseau neuronal qui optimise à la fois le placement des capteurs et apprend à accomplir efficacement les tâches. D'abord, ils ont divisé le corps du robot en régions appelées « particules ». Le taux de contrainte de chaque particule était fourni comme entrée au réseau neuronal. Par un processus d'essais et d'erreurs, le réseau « apprend » la séquence de mouvements la plus efficace pour accomplir des tâches, comme saisir des objets de tailles différentes. En même temps, le réseau suit quelles particules sont utilisées le plus souvent et élimine les particules moins utilisées de l'ensemble d'entrées pour les essais subséquents du réseau.

En optimisant les particules les plus importantes, le réseau suggère également où les capteurs devraient être placés sur le robot pour assurer une performance efficace. Dans un robot simulé avec une main préhensile, l'algorithme pourrait suggérer que les capteurs soient concentrés dans et autour des doigts, où des interactions précisément contrôlées avec l'environnement sont vitales pour la capacité du robot à manipuler des objets. Bien que cela puisse sembler évident, il s'avère que l'algorithme surpasse de loin l'intuition humaine sur l'endroit où placer les capteurs.

Ce travail pourrait aider à automatiser le processus de conception de robots. En plus de développer des algorithmes pour contrôler les mouvements d'un robot, les concepteurs doivent penser à comment placer les capteurs sur les robots et comment cela interagira avec les autres composants de ce système. Un meilleur placement des capteurs pourrait avoir des applications industrielles, surtout là où les robots sont utilisés pour des tâches fines comme la préhension.