Skip to main content

Robots with animal-like resilience

Article Category

Article available in the folowing languages:

S’inspirer du monde animal pour poser les bases de robots plus résilients et plus adaptatifs

Ne vous fiez pas aux personnages de robots merveilleusement robustes que vous voyez dans les films de science-fiction, les robots d’aujourd’hui peuvent être, et sont généralement, loin d’être aussi résistants. Un projet financé par le Conseil européen de la recherche a mis au point de nouveaux algorithmes permettant aux robots de récupérer de manière autonome en l’espace de quelques minutes après avoir subi des dommages inattendus.

Économie numérique
Technologies industrielles

Même après 50 ans de recherche en robotique, la plupart des robots existants sont loin d’être aussi résilients que les animaux les plus petits et les plus simples; pour faire court, ils peuvent facilement cesser de fonctionner s’ils sont confrontés à des conditions difficiles ou chutent de manière inattendue. Pour que les robots s’intègrent mieux aux sociétés humaines et qu’ils se montrent utiles dans les situations d’urgence, ils doivent remédier à leur fragilité inhérente. C’est là qu’intervient le projet ResiBots (Robots with animal-like resilience). «L’objectif de notre projet était de développer de nouveaux algorithmes permettant aux robots de récupérer rapidement de manière autonome sans avoir à anticiper tous les types de dégâts possibles», explique Jean-Baptiste Mouret, le chercheur principal du projet. «Ceci est particulièrement important lorsqu’il s’agit de dommages mécaniques qui sont très difficiles à diagnostiquer avec les capteurs embarqués. Notre objectif est de développer des robots qui ont la capacité d’“improviser” lorsqu’ils doivent accomplir une mission difficile.»

Adopter un nouveau mode de pensée pour des robots plus résilients

Cette vision contraste fortement avec l’approche actuelle de tolérance aux défaillances, héritée des systèmes critiques de sécurité (comme pour les vaisseaux spatiaux ou les centrales nucléaires). Elle est par ailleurs inadaptée aux robots autonomes à faible coût dans la mesure où elle repose sur des procédures de diagnostic qui requièrent des capteurs proprioceptifs coûteux et des plans d’urgence, qui ne peuvent même pas couvrir toutes les situations possibles qu’un robot autonome fonctionnant indépendamment peut rencontrer. Cependant, les algorithmes développés par Jean-Baptiste Mouret et son équipe échappent à cette ancienne manière de penser car ils sont spécifiquement conçus pour une adaptation efficiente en termes de données (c’est-à-dire avec très peu de données) en robotique. «Par exemple, nos algorithmes permettent à un robot à six jambes de trouver une nouvelle allure de marche en moins de 2 minutes», explique Jean-Baptiste Mouret. «L’idée générale est de tirer parti d’une simulation d’un robot “intact” pour accélérer l’adaptation d’un robot ayant subi des dommages inconnus.»

Du diagnostic aux algorithmes de renforcement

Pour ce projet, il est important que ces premiers résultats reposent sur un “apprentissage épisodique”, ce qui signifie que chaque essai commence exactement dans la même position. Un algorithme plus récent permet au robot d’apprendre de manière indépendante, sans aucune réinitialisation, tout en tenant compte de son environnement. «Par exemple, il n’y a aucune raison pour que le robot tente une démarche susceptible de le faire avancer si nous savons qu’un obstacle se trouve sur son chemin», explique Jean-Baptiste Mouret. Comme il le fait valoir, les machines – et en particulier les robots – ont été jusqu’à présent essentiellement “aveugles”, les tâches faciles pour les animaux (comme la reconnaissance d’un objet) s’étant avérées trop compliquées pour les algorithmes de vision des robots. Mais grâce aux récents progrès de l’apprentissage profond, les machines sont désormais capables de comprendre beaucoup mieux leur environnement, ce qui ouvre les portes à de nombreuses applications possibles, y compris celles au-delà de l’usine. «Cependant, si nous voulons disposer de robots capables d’apprendre réellement de nouvelles compétences et/ou tâches, nous devons leur fournir des algorithmes de renforcement et pas seulement des algorithmes de perception», avertit Jean-Baptiste Mouret. «Pour cela, nous devons les rendre plus efficients en termes de données avant de pouvoir les déployer en dehors des laboratoires de recherche.» Il n’envisage pas le déploiement de robots capables d’apprendre à effectuer de nouvelles tâches par eux-mêmes dans les 5 prochaines années, mais il se montre optimiste quant à la possibilité que cela se produise dans les 5 à 15 suivantes.

Regarder vers l’avenir

ResiBots a réellement été pionnier en ouvrant la voie à la réalisation de cet objectif. Jean-Baptiste Mouret et son équipe entendent poursuivre leurs recherches même après la fin officielle du projet en avril 2020. «Nous voulons introduire l’apprentissage par essais et erreurs dans la robotique humanoïde, et les robots humanoïdes sont la “prochaine frontière” de la robotique car ils combinent tous les défis» dans ce domaine, explique Jean-Baptiste Mouret. Ces défis incluent la nécessité de synchroniser de nombreuses articulations (généralement 24) et celle de réagir rapidement et de conserver l’équilibre. Bien qu’aucun robot humanoïde actuel n’utilise pour l’instant l’apprentissage par essais et erreurs afin de s’adapter aux modifications de son environnement, Jean-Baptiste Mouret et son équipe entendent être à la pointe de cette évolution. Et quand on lui demande ce dont il est le plus fier dans ResiBots, Jean-Baptiste Mouret répond: «Nous avons régulièrement des robots qui apprennent à marcher sous nos yeux, en quelques minutes seulement, alors qu’il leur fallait des heures ou même des jours auparavant.». «Je dois reconnaître qu’il s’agit du genre de robots dont je rêvais vraiment quand j’étais enfant!»

Mots‑clés

ResiBots, robots, algorithmes, apprentissage épisodique, efficience des données

Découvrir d’autres articles du même domaine d’application