Un système qui permet aux robots de découper des objets en plusieurs matériaux

Les humains apprennent naturellement à adapter leurs mouvements en fonction des matériaux qu’ils manipulent et des tâches qu’ils essaient d’accomplir. Lorsqu’ils hachent des fruits ou des légumes spécifiques, par exemple, ils peuvent apprendre à couper autour des parties plus dures, comme les pépins d’avocat ou de pêche, ou à éliminer soigneusement la peau extérieure.

Pour aider les humains dans les tâches quotidiennes, telles que la cuisine et la préparation des aliments, les robots doivent également être capables de couper efficacement des objets avec des compositions ou des textures de matériaux mixtes. Cependant, le transfert de cette capacité aux robots s’est avéré assez difficile jusqu’à présent.

Des chercheurs de l’Université de Columbia, de la CMU, de l’UC Berkeley et d’autres instituts aux États-Unis ont récemment créé RoboNinja, un système basé sur l’apprentissage automatique qui pourrait permettre aux robots de découper des objets multi-matériaux, en particulier des objets mous avec des noyaux durs. Leur article, publié le arXiv serveur de pré-impression, pourrait finalement contribuer à améliorer les capacités des robots conçus pour aider les humains dans les tâches ménagères et les tâches quotidiennes dans la cuisine.

« Contrairement aux travaux antérieurs utilisant des actions de coupe en boucle ouverte pour couper à travers des objets mono-matériaux (par exemple, trancher un concombre), RoboNinja vise à retirer la partie molle d’un objet tout en préservant le noyau rigide, maximisant ainsi le rendement », Zhenjia Xu, Zhou Xian et leurs collègues ont écrit dans leur article. « Pour y parvenir, notre système ferme la boucle perception-action en utilisant un estimateur d’état interactif et une politique de coupe adaptative. »

Xu, Xian et leurs collègues ont entrepris de créer un système qui permettrait à un robot de couper efficacement des fruits comme les mangues, les pêches et les avocats, en retirant la pulpe molle de la graine rigide au milieu. L’objectif de leur système est d’enlever le plus de pulpe possible, tout en minimisant les collisions avec la graine centrale et en consommant une quantité limitée d’énergie.

« Le système utilise d’abord des informations de collision clairsemées pour estimer de manière itérative la position et la géométrie du noyau d’un objet, puis génère des actions de coupe en boucle fermée en fonction de l’état estimé et d’une valeur de tolérance », ont écrit Xu, Xian et leurs collègues dans leur article. « L' »adaptabilité » de la politique est obtenue grâce à la valeur de tolérance, qui module la prudence de la politique en cas de collision, en maintenant une distance de sécurité adaptative par rapport au noyau estimé. »

Pour évaluer leur système de découpe d’objets multi-matériaux, les chercheurs ont créé un environnement de simulation de découpe plus adapté à l’évaluation du problème auquel ils étaient confrontés. Cet environnement présente différents scénarios dans lesquels un robot découpe des objets constitués d’une combinaison de matériaux souples et rigides.

« Les simulateurs existants sont limités dans la simulation d’objets multi-matériaux ou dans le calcul de la consommation d’énergie pendant le processus de découpe », expliquent Xu, Xian et leurs collègues dans leur article. « Pour résoudre ce problème, nous développons un simulateur de coupe différentiable qui prend en charge le couplage multi-matériaux et permet la génération de trajectoires optimisées en tant que démonstrations pour l’apprentissage des politiques. »

Les résultats des simulations effectuées par Xu, Xian et leurs collègues étaient prometteurs, car RoboNinja a permis à leur préhenseur robotique simulé de retirer une quantité importante de matériaux mous des objets, tout en minimisant les collisions avec des pièces rigides et en consommant une quantité raisonnable d’énergie. Par la suite, l’équipe a testé son cadre sur un vrai préhenseur robotique, afin de valider davantage ses performances dans des environnements réels et lors de la découpe d’objets avec différentes géométries de base.

« Nos expériences montrent que notre méthode est capable de bien se généraliser à de nouvelles géométries de noyau et même à de vrais fruits », ont conclu les chercheurs dans leur article. « Nous espérons que nos découvertes expérimentales et le simulateur nouvellement développé inspireront de futurs travaux sur l’apprentissage des robots impliquant des interactions avec des objets multi-matériaux. »