Les vidéos virales de Boston Dynamics sont impressionnantes, mais apprendre à un robot à marcher tout seul est beaucoup plus difficile.
Une paire de jambes de robot dénommée Cassie a appris à marcher en utilisant l’apprentissage par renforcement (reinforcement learning), une technique d’entrainement qui permet d’enseigner un comportement complexe aux IA par essais et erreurs. Le robot à deux pattes a appris toute une série de mouvements à partir de rien, y compris la marche accroupie et le transport d’une charge inattendue.
Mais peut-il danger ou marcher rapidement ? Les attentes concernant les capacités des robots sont élevées grâce aux vidéos virales diffusées par Boston Dynamics, qui montrent son robot humanoïde Atlas se tenant sur une jambe, sautant par-dessus des boîtes et dansant. Ces vidéos ont été vues des millions de fois et ont même été parodiées. Le contrôle qu’Atlas exerce sur ses mouvements est impressionnant, mais les séquences chorégraphiées impliquent probablement beaucoup d’ajustements manuels.
« Ces vidéos peuvent amener certaines personnes à croire qu’il s’agit d’un problème résolu et facile », déclare Zhongyu Li, de l’université de Californie à Berkeley, qui a travaillé sur Cassie avec ses collègues. « Mais nous avons encore un long chemin à parcourir pour que les robots humanoïdes puissent fonctionner et vivre de manière fiable dans des environnements humains. » Cassie ne sait pas encore danser, mais apprendre à ce robot de taille humaine à marcher tout seul le rapproche de la capacité à gérer un large éventail de terrains et à se rétablir lorsqu’il trébuche ou s’abîme.
Des limites virtuelles : L’apprentissage par renforcement a été utilisé pour apprendre à de nombreux robots à marcher dans des simulations, mais il est difficile de transférer cette capacité dans le monde réel. « De nombreuses vidéos d’agents virtuels ne sont pas du tout réalistes », explique Chelsea Finn, chercheuse en IA et robotique à l’université de Stanford, qui n’a pas participé aux travaux. De petites différences entre les lois physiques simulées à l’intérieur d’un environnement virtuel et les lois physiques réelles à l’extérieur de celui-ci – comme le fonctionnement de la friction entre les pieds d’un robot et le sol – peuvent entraîner de gros échecs lorsqu’un robot essaie d’appliquer ce qu’il a appris. Un lourd robot à deux pattes peut perdre l’équilibre et tomber si ses mouvements ne sont pas du tout corrects.
Double simulation : Mais il serait dangereux de former un grand robot par essais et erreurs dans le monde réel. Pour contourner ces problèmes, l’équipe de Berkeley a utilisé deux niveaux d’environnement virtuel. Dans le premier, une version simulée de Cassie a appris à marcher en puisant dans une vaste base de données existante de mouvements de robots. Cette simulation a ensuite été transférée dans un second environnement virtuel baptisé SimMechanics, qui reflète la physique du monde réel avec un haut degré de précision, mais au détriment de la vitesse d’exécution. Ce n’est qu’une fois que Cassie semblait marcher correctement que le modèle de marche appris était chargé dans le robot réel.
La vraie Cassie était capable de marcher en utilisant le modèle appris en simulation sans aucun réglage supplémentaire. Elle a pu marcher sur des terrains accidentés et glissants, transporter des charges inattendues et récupérer après avoir été poussée. Au cours des tests, Cassie a également endommagé deux moteurs dans sa jambe droite, mais elle a pu ajuster ses mouvements pour compenser. Chelsea Finn pense que ce travail est passionnant. Edward Johns, qui dirige le Robot Learning Lab à l’Imperial College de Londres, partage cet avis. « C’est l’un des exemples les plus réussis que j’ai vus », dit-il.
L’équipe de Berkeley espère utiliser son approche pour enrichir le répertoire de mouvements de Cassie. Mais ne vous attendez pas à un concours de danse de sitôt.
https://arxiv.org/pdf/2103.14295.pdf
