L'approche de planification du mouvement neuronal aide les robots à surmonter des obstacles difficiles dans des environnements inconnus
Les humains peuvent prendre un livre sur une étagère sans trop réfléchir. Mais c'est un processus complexe pour le cerveau qui implique de planifier et de contourner des obstacles, comme d'autres livres ou des bibelots. Les chercheurs en robotique ont du mal à reproduire ce type de mouvement humain lorsque leurs systèmes effectuent des tâches similaires. Connu sous le nom de planification de mouvement, le processus d'entraînement d'un robot pour déplacer un objet d'un point à un autre sans heurter d'obstacles prend du temps et des ressources car le robot ne peut pas réagir de manière dynamique comme les humains dans des environnements inconnus.
Une équipe de l'Institut de robotique de l'Université Carnegie Mellon (RI) a développé la planification des mouvements neuronaux pour améliorer la réaction des robots dans de nouveaux environnements. Cette approche basée sur les données utilise un réseau d'intelligence artificielle unique et polyvalent pour effectuer la planification des mouvements dans divers environnements domestiques inconnus, comme les armoires, les lave-vaisselle et les réfrigérateurs.
« Parfois, lorsque vous déployez un robot, vous souhaitez qu'il opère dans des environnements non structurés ou inconnus, des environnements dans lesquels vous ne pouvez pas supposer que vous savez tout », explique Murtaza Dalal, doctorant à RI. « C'est là que ces méthodes classiques de planification des mouvements échouent. L'un des gros problèmes est que ces algorithmes sont très lents car ils doivent effectuer des milliers, voire des millions, de vérifications de collision. »
La planification des mouvements neuronaux s'inspire de la manière dont les humains rassemblent diverses expériences pour s'entraîner et augmenter progressivement leurs compétences. Lorsqu'ils acquièrent de nouvelles compétences, les humains commencent par un comportement lent et incertain et progressent vers des mouvements rapides et dynamiques. La planification des mouvements neuronaux permet aux robots d'être plus polyvalents dans des environnements inconnus et de s'adapter généralement lors du déplacement d'objets.
Les chercheurs ont simulé des millions d’environnements complexes pour entraîner la planification des mouvements neuronaux. Dans ces simulations, les robots ont été confrontés à des environnements domestiques (étagères, casiers, micro-ondes, lave-vaisselle, boîtes et armoires ouvertes) et ont parfois dû manœuvrer autour d’objets aléatoires, comme un chiot ou un vase. Les modèles ont été entraînés à effectuer une planification de mouvements réactive et rapide. Ce processus et ces données ont été synthétisés dans une politique généraliste afin que lorsque le robot a été déployé dans le monde réel, il puisse effectuer des tâches dans des environnements différents de ceux qu’il avait vus auparavant.
« Nous avons constaté des succès étonnants dans l’apprentissage à grande échelle de la vision et du langage (pensez à ChatGPT), mais pas dans la robotique. Pas encore », a déclaré Deepak Pathak, professeur adjoint Raj Reddy au RI. « Ce travail est un tremplin vers cet objectif. Neural Motion Planning utilise la recette simple de l’apprentissage à grande échelle dans la simulation pour produire un degré élevé de généralisation dans le monde réel. Il fonctionne sur des scènes avec des arrière-plans, des objets, des obstacles et même des agencements de scènes entiers différents. »
Utilisée sur un bras robotisé en laboratoire, la planification des mouvements neuronaux a pu naviguer avec succès dans des environnements inconnus. Le système robotisé a reçu une représentation tridimensionnelle du point de départ de la scène, créée à l'aide de caméras de profondeur, et s'est vu présenter une position cible, là où les chercheurs voulaient que le bras robotisé se retrouve. Ensuite, la planification des mouvements neuronaux a fourni les configurations d'articulations permettant au bras robotisé de se déplacer du point de départ au point d'arrivée.
« C'était passionnant de voir un seul modèle éviter habilement divers obstacles domestiques, notamment des lampes, des plantes, des bibliothèques et des portes d'armoires, tout en déplaçant le bras du robot pour accomplir des tâches », a déclaré Jiahui Yang, étudiant en master à RI. « Cet exploit a été rendu possible par une augmentation massive de la génération de données, en suivant une recette similaire au succès de l'apprentissage automatique dans les domaines de la vision et du langage. »
