Une équipe de chercheurs de l’ETH Zurich a développé un robot hybride alliant roues et jambes, capable de circuler de manière autonome sur des terrains très divers grâce à des techniques d’apprentissage par renforcement. Ce robot est conçu pour améliorer la livraison de biens en surmontant les limitations des robots uniquement à roues ou à jambes.
Le projet est le résultat de plus de cinq ans de recherches en navigation autonome et perception robotique. Ce nouveau robot s’inspire du robot de l’équipe Cerberus, vainqueur du Darpa Subterranean Challenge en 2021, mais il se distingue par un design simplifié et un système de navigation alimenté par une intelligence artificielle plus avancée.
Un réseau neuronal au coeur du robot
La planification de la navigation pour les robots terrestres utilise traditionnellement des méthodes d’optimisation en ligne, adéquates pour les robots à roues simples ou les robots marcheurs lents. Cependant, pour des robots rapides comme celui de l’ETH Zurich, capable de se déplacer à 20 km/h, ces méthodes ne peuvent pas fournir des plans de navigation suffisamment rapides. Pour ces robots, un délai de 0,5 seconde peut entraîner une erreur d’un mètre et entraîner une collision.
Pour pallier ces limitations, les chercheurs ont développé et testé diverses techniques d’apprentissage par renforcement hiérarchique. Ils ont finalement entraîné un contrôleur basé sur un réseau neuronal. Ce contrôleur est capable de traiter différents types d’entrées et de créer de nouveaux plans de navigation en quelques millisecondes.
L’alliance de la jambe et de la roue
Les robots à roues sont efficaces mais ne peuvent pas franchir des obstacles élevés, tandis que les robots à jambes, qui peuvent surmonter les obstacles et les pentes raides, ont une faible efficacité énergétique. Le robot de l’ETH Zurich utilise ses roues sur des terrains lisses pour minimiser la consommation d’énergie. Il passe en mode marche sur des terrains plus complexes, comme des escaliers. Le contrôleur basé sur réseau neuronal permet de déterminer la meilleure méthode de déplacement selon les terrains. En combinant les roues et les jambes, le robot peut fonctionner trois fois plus longtemps qu’un robot marcheur classique tout en surmontant les mêmes obstacles.
Le contrôleur n’utilise pas les techniques classiques de planification et de contrôle basées sur des modèles, souvent inefficaces en environnement réel. Au lieu de cela, deux réseaux neuronaux traitent les données collectées par les capteurs du robot, produisent les mouvements de marche adéquats et déterminent la direction à prendre.
De Zurich à Séville
Pour entraîner l’agent de navigation, les chercheurs ont créé un environnement de simulation spécial, semblable à un jeu vidéo. Ce logiciel génère automatiquement de nouveaux « niveaux » avec des terrains complexes et des perturbations, permettant d’obtenir des contrôleurs robustes et polyvalents capables de gérer toutes sortes de terrains difficiles. Après plusieurs heures d’entraînement virtuel, le robot a parcouru avec succès plus de 10 km à travers Zurich et Séville.
Pour en savoir plus :
- Joonho Lee et al., Learning robust autonomous navigation and locomotion for wheeled-legged robots, Science Robotics, 2024
Source archive Kessel : https://qant.kessel.media/posts/pst_5a6670f81f8449b6a6b76259c55510c6
