Le robot marcheur Anymal a fait ses classes avec succès. Des chercheurs de l'ETH lui ont appris de nouvelles compétences grâce à l'apprentissage automatique. Le robot escalade désormais des obstacles et franchit des fosses de chute.
En bref
- Le robot marcheur Anymal apprend machinalement - comme un enfant, par essais et erreurs. C'est ainsi qu'il apprend désormais à faire du parkour.
- À l'aide d'une caméra et d'un réseau neuronal artificiel, il détecte et surmonte les obstacles.
- En le combinant avec la technique de régulation classique, il peut même se déplacer sur des terrains impraticables.
Le robot marcheur Anymal maîtrise depuis longtemps le sol rocailleux des chemins de randonnée suisses. Des chercheurs de l'ETH Zurich lui ont maintenant appris de nouvelles compétences : le robot se débrouille désormais très bien dans le parkour, le sport à la mode qui consiste à franchir des obstacles dans l'espace urbain avec des mouvements athlétiques et en souplesse. Même sur des terrains impraticables, comme sur un chantier ou dans une zone sinistrée, Anymal se débrouille désormais très bien.
Pour enseigner ces compétences au robot marcheur, deux équipes du groupe de Marco Hutter, professeur au Département de génie mécanique et des procédés, ont suivi des approches différentes.
Les possibilités mécaniques épuisées
Le doctorant de l'ETH Nikita Rudin, qui pratique le parkour pendant son temps libre, travaille dans l'une des équipes. "Avant que nous ne commencions le projet, certains de mes collègues chercheurs pensaient que tout avait déjà été fait dans le développement de robots marcheurs", raconte-t-il. "Je me suis opposé à cela. Car j'étais convaincu qu'il était possible d'aller encore plus loin avec la mécanique des robots marcheurs."
Avec sa propre expérience du parkour en tête, il a essayé d'exploiter encore plus les possibilités d'Anymal. Il y est parvenu en apprenant de nouvelles compétences au robot marcheur grâce à l'apprentissage automatique. Anymal est désormais capable de grimper des obstacles et d'en redescendre en effectuant des mouvements dynamiques.
Anymal a appris par essais et erreurs, comme un enfant. Lorsqu'Anymal se trouve face à un obstacle, il reconnaît, à l'aide d'une caméra et d'un réseau neuronal artificiel, le type d'obstacle qu'il doit surmonter. Il exécute alors les mouvements qu'il a appris auparavant lors de l'entraînement comme étant prometteurs.
Est-ce que cela signifie que la faisabilité technique est épuisée ? C'est en grande partie le cas pour les différentes compétences nouvellement acquises, affirme Rudin. Mais de nombreux progrès sont encore possibles. Par exemple, lorsque le robot marcheur doit non seulement résoudre des tâches prédéfinies, mais aussi se déplacer de manière générale sur des terrains difficiles, par exemple dans un champ de ruines.
Combinaison avec la technique classique
Rendre le robot marcheur apte à de telles applications, tel était l'objectif d'un autre projet du collègue de Rudin, Fabian Jenelten. Le doctorant de l'ETH ne s'est pas appuyé uniquement sur l'apprentissage automatique, mais l'a combiné avec une approche connue de la technique de régulation, la régulation dite basée sur un modèle. Des mouvements de base difficiles à apprendre, comme par exemple la reconnaissance et le franchissement de creux dans le sol dans un champ de décombres, peuvent ainsi être plus facilement enseignés à un robot. L'apprentissage automatique, quant à lui, aide le robot à apprendre des schémas de mouvements de manière à ce qu'il puisse les appliquer de manière flexible dans des situations imprévues. "En combinant ces deux approches, nous pouvons tirer le maximum d'Anymal", explique Jenelten.
Ainsi, le robot marcheur parvient désormais mieux à trouver un appui sûr sur un sol glissant ou des blocs d'éboulis instables. Il devrait bientôt être utilisé sur des chantiers ou partout où il est trop dangereux pour l'homme : par exemple pour inspecter une maison en ruine dans une zone sinistrée.
Références bibliographiques
Hoeller D, Rudin N, Sako D, Hutter M : ANYmal Parkour : Learning Agile Navigation for Quadrupedal Robots, Science Robotics, 13 mars 2024, doi : page externe10.1126/scirobotics.adi7566
Jenelten F, He J, Farshidian F, Hutter M : DTC : Deep Tracking Control. Science Robotics 2024, 17 : eadh5401, doi : page externe10.1126/scirobotics.adh5401