Nouvelle méthode de simulation permettant aux robots de percevoir précisément les propriétés des objets

Massachusetts Institute of Technology, Cambridge, MA

Avec une nouvelle méthode de simulation, les robots peuvent deviner le poids, la douceur et d'autres propriétés physiques d'un objet simplement en le ramassant.

Imiter l'intuition humaine

Un humain dégageant un grenier peut souvent deviner le contenu d'une boîte simplement en la ramassant et en la secouant, sans avoir besoin de voir ce qu'il y a à l'intérieur. Des chercheurs du MIT, d'Amazon Robotics et de l'Université de Colombie-Britannique ont appris aux robots à faire quelque chose de similaire.

Ils ont développé une technique qui permet aux robots d'utiliser uniquement des capteurs internes pour apprendre le poids, la douceur ou le contenu d'un objet en le ramassant et en le secouant doucement. Avec leur méthode, qui ne nécessite pas d'outils de mesure externes ni de caméras, le robot peut deviner avec précision des paramètres comme la masse d'un objet en quelques secondes.

Cette technique à faible coût pourrait être particulièrement utile dans les applications où les caméras pourraient être moins efficaces, comme le tri d'objets dans un sous-sol sombre ou le déblaiement de décombres à l'intérieur d'un bâtiment partiellement effondré après un tremblement de terre.

Clé de l'approche : simulation différentiable

La clé de leur approche est un processus de simulation qui incorpore des modèles du robot et de l'objet pour identifier rapidement les caractéristiques de cet objet pendant que le robot interagit avec lui.

La technique des chercheurs est aussi bonne pour deviner la masse d'un objet que certaines méthodes plus complexes et coûteuses qui incorporent la vision par ordinateur. De plus, leur approche économe en données est suffisamment robuste pour gérer de nombreux types de scénarios inédits.

Peter Yichen Chen, postdoctorant au MIT et auteur principal : « Cette idée est générale, et je pense que nous ne faisons qu'effleurer la surface de ce qu'un robot peut apprendre de cette façon. Mon rêve serait d'avoir des robots qui sortent dans le monde, touchent des choses et les déplacent dans leurs environnements, et comprennent les propriétés de tout ce avec quoi ils interagissent par eux-mêmes. »

Proprioception et encodeurs articulaires

La méthode de l'équipe de recherche tire parti de la proprioception, qui est la capacité d'un humain ou d'un robot à sentir son mouvement ou sa position dans l'espace. Par exemple, un humain qui soulève un haltère à la salle de sport peut sentir le poids de cet haltère dans son poignet et son biceps, même s'il tient l'haltère dans sa main. De la même manière, un robot peut « sentir » la lourdeur d'un objet à travers les multiples articulations de son bras.

Chao Liu, co-auteur et postdoctorant au MIT : « Un humain n'a pas de mesures super-précises des angles d'articulation dans nos doigts ou de la quantité précise de couple que nous appliquons à un objet, mais un robot en a. Nous tirons parti de ces capacités. »

Alors que le robot soulève un objet, le système des chercheurs rassemble les signaux des encodeurs articulaires du robot, qui sont des capteurs détectant la position et la vitesse de rotation de ses articulations pendant le mouvement.

La plupart des robots ont des encodeurs articulaires dans les moteurs qui entraînent leurs parties mobiles, a ajouté Liu. Cela rend leur technique plus rentable que certaines approches car elle n'a pas besoin de composants supplémentaires comme des capteurs tactiles ou des systèmes de suivi visuel.

Deux modèles pour l'estimation des propriétés

Pour estimer les propriétés d'un objet pendant les interactions robot-objet, leur système repose sur deux modèles : un qui simule le robot et son mouvement et un qui simule la dynamique de l'objet. « Avoir un jumeau numérique précis du monde réel est vraiment important pour le succès de notre méthode », a ajouté Chen.

Leur algorithme « observe » le robot et l'objet bouger pendant une interaction physique et utilise les données des encodeurs articulaires pour travailler à rebours et identifier les propriétés de l'objet. Par exemple, un objet plus lourd bougera plus lentement qu'un objet léger si le robot applique la même quantité de force.

Ils utilisent une technique appelée simulation différentiable, qui permet à l'algorithme de prédire comment de petits changements dans les propriétés d'un objet, comme la masse ou la douceur, affectent la position finale de l'articulation du robot. Les chercheurs ont construit leurs simulations en utilisant la bibliothèque Warp de NVIDIA, un outil de développement open-source qui supporte les simulations différentiables.

Une fois que la simulation différentiable correspond aux mouvements réels du robot, le système a identifié la propriété correcte. L'algorithme peut faire cela en quelques secondes et n'a besoin de voir qu'une seule trajectoire réelle du robot en mouvement pour effectuer les calculs.

Liu : « Techniquement, tant que vous connaissez le modèle de l'objet et comment le robot peut appliquer une force à cet objet, vous devriez être capable de déterminer le paramètre que vous voulez identifier. » Les chercheurs ont utilisé leur méthode pour apprendre la masse et la douceur d'un objet, mais leur technique pourrait aussi déterminer des propriétés comme le moment d'inertie ou la viscosité d'un fluide à l'intérieur d'un conteneur.

De plus, parce que leur algorithme n'a pas besoin d'un ensemble de données étendu pour l'entraînement comme certaines méthodes qui reposent sur la vision par ordinateur ou des capteurs externes, il ne serait pas aussi susceptible à l'échec face à des environnements inédits ou de nouveaux objets.

À l'avenir, les chercheurs veulent essayer de combiner leur méthode avec la vision par ordinateur pour créer une technique de détection multimodale encore plus puissante.

Chen : « Ce travail n'essaie pas de remplacer la vision par ordinateur. Les deux méthodes ont leurs avantages et inconvénients. Mais ici nous avons montré qu'avec une caméra, nous pouvons déjà déterminer certaines de ces propriétés. »

Ils veulent aussi explorer des applications avec des systèmes robotiques plus complexes, comme les robots souples, et des objets plus complexes, incluant des liquides en mouvement ou des milieux granulaires comme le sable. À long terme, ils espèrent appliquer cette technique pour améliorer l'apprentissage robotique, permettant aux futurs robots de développer rapidement de nouvelles compétences de manipulation et de s'adapter aux changements dans leurs environnements.

Pour plus d'informations, contactez Melanie Grados à [email protégé] ; 617-253-1682.