Une méthode pour activer le pliage de papier robotisé basée sur l'apprentissage en profondeur et les simulations physiques

Une méthode pour activer le pliage de papier robotisé basée sur l’apprentissage en profondeur et les simulations physiques

Pliage robotisé demi-vallée d’une feuille de papier A4 avec (a) manipulation intuitive et (b) notre manipulation optimale. La trajectoire intuitive de manipulation semi-circulaire souffre d’un glissement important dû à la rigidité du papier, ce qui entraîne un mauvais pli. En revanche, notre contrôleur de manipulation optimal minimise le glissement pour obtenir un excellent pli. Crédit : Tong et al.

Pour s’attaquer à différentes tâches du monde réel, les robots doivent être capables de manipuler et de manipuler une variété d’objets et de matériaux, y compris le papier. Alors que les roboticiens ont réussi à améliorer la capacité des robots humanoïdes ou des préhenseurs robotiques à manipuler plusieurs matériaux, le pliage de papier reste un sujet rarement exploré au sein de la communauté robotique.

Une équipe de recherche de l’Université de Californie à Los Angeles (UCLA) a récemment créé un nouveau cadre informatique qui permet à un robot de s’attaquer au pliage de papier et à l’art oriental de l’origami. Ce cadre, présenté dans un article prépublié sur arXivcombine un algorithme d’apprentissage en profondeur avec des simulations physiques.

« Bien qu’il y ait eu des recherches considérables en robotique sur la manipulation des matériaux déformables, la manipulation du papier a été un sujet relativement inexploré, malgré l’omniprésence du papier dans la vie quotidienne », ont déclaré Dezhong Tong et Andrew Choi, deux des chercheurs qui ont mené l’étude. dit Tech Xplore.

« Les deux études les plus pertinentes sur ce sujet ont été menées par des équipes de recherche de l’Université Aalto en Finlande et de l’Université de Bielefeld en Allemagne. La première traite des tissus, qui sont beaucoup plus faciles à manipuler que le papier, tandis que la deuxième se concentre sur le pliage de papier, mais développe un système de robot compliqué impliquant des manipulateurs de type humain qui est coûteux en calcul. »

Les travaux récents de Tong, Choi et leurs collègues ont été motivés par le manque de systèmes de pliage de papier robotisés simples et efficaces. L’objectif principal de l’équipe était donc de créer un système simple mais prometteur qui pourrait plier des feuilles de papier à l’aide d’un seul manipulateur robotique.

La stratégie de contrôle des robots proposée par les chercheurs « enseigne » les comportements des robots d’un point de vue physique, afin qu’ils puissent mieux s’attaquer aux tâches qui impliquent une manipulation physiquement perspicace. Plus précisément, l’équipe a formé un réseau de neurones artificiels (ANN) dans un environnement hors ligne impliquant des simulations physiques du pliage de papier. Au cours de la formation, le réseau a appris comment le papier « se comporte » lorsqu’il est soumis à différentes prises à partir de différentes positions physiques.

« Les données de formation ont été générées uniquement via des simulations informatiques basées sur la physique », ont expliqué Tong et Choi. « Par la suite, en ligne et en temps réel, le réseau neuronal formé a rapidement fait des prédictions qui se traduisent par des trajectoires de manipulation optimales. Une autre nouveauté clé est notre utilisation de l’analyse de mise à l’échelle, une technique adoptée de la physique mathématique, pour adimensionner les prédictions du réseau neuronal.  »

Une méthode pour activer le pliage de papier robotisé basée sur l'apprentissage en profondeur et les simulations physiques

Pliage demi-vallée de papier rigide (carte). (a) La manipulation intuitive de la ligne de base échoue gravement car la rigidité du papier provoque un glissement excessif pendant le processus de pliage. (b) Notre algorithme de contrôle en boucle ouverte réalise une amélioration significative par rapport à la ligne de base, avec un glissement minimal. (c) Notre algorithme de contrôle en boucle fermée réalise un pli presque parfait. Crédit : Tong et al.

Dans cet article, le terme « non-dimensionnalisation » fait référence au fait de rendre l’entrée et la sortie indépendantes de leurs unités, grâce à une technique de physique mathématique. La quantité non dimensionnée est sans unité. Par conséquent, le changement des unités du système n’influencera pas l’analyse.

Dans le cadre de cette étude, ce procédé présente des avantages notables. Il améliore la généralisation du cadre de contrôle, permettant au robot de plier des feuilles de papier de différentes épaisseurs ou avec différentes géométries, sans nécessiter de formation pour chacun de ces types de papier.

De plus, la non-dimensionnalisation réduit la « dimensionnalité » du problème de pliage du papier. En d’autres termes, il facilite l’entraînement du réseau de neurones tout en améliorant ses performances en temps réel.

« Compte tenu du comportement hautement non linéaire de nombreux objets déformables, les roboticiens ont eu du mal à développer des méthodes efficaces pour contrôler les robots de manière à satisfaire les tâches de manipulation du monde réel, telles que le pliage de papier », ont déclaré Tong et Choi.

« Une découverte passionnante de notre travail est que les algorithmes d’apprentissage automatique et l’analyse de mise à l’échelle basée sur la physique sont complémentaires et très efficaces aux fins de la manipulation robotique d’objets déformables. D’une part, les modèles de physique mathématique conventionnels souffrent d’un coût de calcul insoluble lorsqu’ils traitent avec des objets. tels que le papier, rendant ainsi le contrôle en ligne impossible. D’autre part, l’utilisation naïve de l’apprentissage automatique pour atténuer le problème aboutit à un schéma de contrôle qui ne fonctionne que pour les scénarios dans le cadre des données de formation (c’est-à-dire que les performances diminueront considérablement même si le le matériau de l’objet déformable manipulé est modifié). »

Les travaux récents de cette équipe de chercheurs mettent en évidence la valeur de la combinaison de l’analyse de mise à l’échelle et de l’apprentissage en profondeur pour résoudre les problèmes de manipulation d’objets robotiques du monde réel. Leurs premiers résultats sont très prometteurs, tant en termes de précision que d’efficacité.

À l’avenir, le cadre créé par Tong, Choi et leurs collègues pourrait contribuer à améliorer considérablement les capacités de manipulation d’objets des robots. Par exemple, cela pourrait leur permettre de manipuler une plus large gamme d’objets de manière avancée, y compris des feuilles de papier et des objets fabriqués à partir d’autres matériaux déformables.

« À notre connaissance, notre cadre est le premier à exploiter cette approche synergique, qui, selon nous, peut être largement utilisée dans une grande variété de tâches de manipulation déformables, telles que la gestion des câbles, le nouage, le kirigami robotique, etc. » Tong et Choi ajoutée. « Nous aimerions élargir notre travail pour englober des tâches de pliage plus complexes, telles que l’origami robotique. Un objectif intéressant serait de permettre à un robot de plier une feuille de papier en différentes structures, telles que des avions en papier, des grenouilles en papier, etc.