Les robots à pattes apprennent les caractéristiques physiques dynamiques des terrains comme les animaux

Lorsqu’un chaton marche dans un environnement dangereux, il marche doucement sur le terrain avec ses pattes pour estimer la friction ou la capacité portante. Sur la base de cette expérience, le chaton peut alors prédire les paramètres physiques d’un terrain d’apparence similaire et éviter le sol mou et humide.

Cependant, il n’est pas facile pour les robots d’atteindre un tel comportement en raison des nombreux défis impliqués. Par exemple, comment extraire des fonctionnalités efficaces pour caractériser un environnement en évolution dynamique ? Comment généraliser l’expérience d’interaction du robot avec l’environnement ? Comment résoudre les conflits cognitifs causés par des environnements changeant dynamiquement ?

Un article de couverture récent dans le Examen scientifique national, « Apprendre des caractéristiques physiques comme des animaux pour des robots à pattes », présente une solution possible. L’article a été dirigé par l’équipe de Ding Liang à l’Institut de technologie de Harbin, avec un doctorat. l’étudiant Xu Peng et le professeur Ding Liang en tant que co-premiers auteurs.

L’équipe de recherche propose un cadre d’apprentissage non supervisé pour les robots à pattes afin d’apprendre les caractéristiques physiques du terrain. Basé sur des modèles de contact pied-terrain normaux / tangentiels, le cadre d’apprentissage non supervisé basé sur des données de modèle est conçu pour obtenir une perception de fusion visuelle-tactile en ligne incrémentielle avec des capacités cognitives de résolution de conflits. Il s’agit du premier rapport de résolution de conflits en ligne, incrémental et cognitif qui permet à un robot d’apprendre les caractéristiques physiques de l’environnement de manière indépendante et autonome, dotant le robot d’une intelligence artificielle physique.

Enfin, le travail mène des expériences matérielles à la fois intérieures et extérieures, et les résultats expérimentaux démontrent que l’approche proposée peut aider efficacement les robots à percevoir et à prédire avec précision les caractéristiques physiques de l’environnement, tout en apprenant et en ajustant leurs modèles cognitifs. Enfin, le robot exécute avec succès et en toute sécurité des tâches de navigation dans des environnements complexes.