Les robots humanoïdes peuvent se lever rapidement après avoir chuté avec un nouveau cadre d’apprentissage

Les robots humanoïdes, qui ont une structure corporelle qui reflète celle des humains, pourrait s’attaquer rapidement et efficacement à une large gamme de tâches dans des contextes réels. Ces robots et leurs algorithmes de contrôle sous-jacents se sont considérablement améliorés ces dernières années. Beaucoup d’entre eux peuvent désormais se déplacer plus rapidement, émulant divers mouvements humains.

Comme ces robots sont conçus pour marcher ou courir de la même manière que les humains, en équilibrant ainsi deux jambes, ils peuvent parfois entrer en collision avec des objets ou trébucher sur un terrain inégal, tombant au sol. Pourtant, contrairement aux humains, qui peuvent facilement se reproduire lorsqu’ils tombent, les robots humanoïdes peuvent parfois rester coincés sur le sol, obligeant le soutien aux agents humains pour se remettre sur pied.

Des chercheurs de l’Université de l’Illinois Urbana-Champaign ont récemment développé un nouveau cadre d’apprentissage automatique qui pourrait permettre aux robots humanoïdes de se relever automatiquement et de récupérer après être tombé au sol. Ce cadre, présenté dans un article sur le arxiv Un serveur préalable pourrait rendre ces robots plus autonomes, contribuant potentiellement à leur futur déploiement à grande échelle.

« Les contrôleurs de conception à la main pour se lever sont difficiles en raison des configurations variées dans lesquelles un humanoïde peut se retrouver après une chute et les terrains difficiles que les robots humanoïdes devraient opérer », a écrit Xialin He, Runpei Dong et leurs collègues dans leur article. « Cet article développe un cadre d’apprentissage pour produire des contrôleurs qui permettent aux robots humanoïdes de se lever de différentes configurations sur différents terrains. »

Le nouveau cadre développé par cette équipe de recherche, surnommé HumanUp, s’appuie sur une approche d’apprentissage par renforcement (RL). Cette approche est conçue pour améliorer la capacité des robots humanoïdes à se lever, quelle que soit leur position lorsqu’ils tombent.

« Contrairement aux applications réussies précédentes de l’apprentissage de la locomotion humanoïde, la tâche de mise en place implique des modèles de contact complexes, qui nécessite une modélisation avec précision de la géométrie de la collision et des récompenses plus claimres », a écrit lui, Dong et leurs collègues. « Nous relevons ces défis grâce à une approche biphasée qui suit un programme. »

Le cadre HumanUp RL s’étend sur deux étapes différentes. Au cours de la première étape, le cadre se concentre sur l’identification de bonnes trajectoires de membres qui permettraient à un robot de se lever, qui posent des contraintes minimales sur la façon dont les mouvements du robot devraient être lisses ou la vitesse à laquelle ces mouvements doivent être exécutés.

Au cours de la deuxième phase, en revanche, le cadre affine les mouvements découverts dans le cadre de la phase antérieure, les transformant finalement en mouvements lisses et lents qui peuvent être effectués par les robots. Notamment, ces mouvements raffinés devraient également être efficaces quelle que soit la position du robot et le terrain sur lequel il est tombé.

Les chercheurs ont testé leur cadre dans les simulations et les environnements du monde réel, le déploiement sur le Robot Humanoid Uniree G1, un système robotique avancé créé par la société chinoise Unitree Robotics. Leurs résultats étaient très prometteurs, car ils ont constaté que leur approche permettait au robot de se remettre de manière autonome après la chute, quelle que soit la position dans laquelle il se trouvait et le terrain en dessous.

« Nous constatons que ces innovations permettent à un robot humanoïde G1 du monde réel de se lever de deux situations principales que nous avons considérées: a) couché face visible et b) couché face vers le bas, tous deux testés sur des surfaces et des pentes glissantes plates, déformables et glissantes (par exemple, Grass Sloppy et Snowfield) « , a écrit lui, Dong et leurs collègues. « À notre connaissance, il s’agit de la première démonstration réussie de politiques d’apprentissage apprises pour les robots humanoïdes de taille humaine dans le monde réel. »

Le nouveau cadre prometteur développé par lui, Dong et leurs collègues pourraient bientôt être encore améliorés et déployés sur d’autres robots humanoïdes, les équipant de la possibilité de se remettre automatiquement après la chute. Cela pourrait aider à faire avancer les robots, ce qui pourrait faciliter leur future adoption généralisée.