Oubliez Boston Dynamics. Ce robot a appris à marcher tout seul

Robotique Hybride

Une paire de jambes de robot appelée Cassie a été appris à marcher en utilisant l'apprentissage par renforcement , la technique d'entraînement qui enseigne le comportement complexe des IA par essais et erreurs. Le robot à deux pattes a appris une gamme de mouvements à partir de zéro, y compris marcher accroupi et en portant une charge inattendue.

Mais peut-il boogie? Les attentes concernant ce que les robots peuvent faire sont élevées grâce aux vidéos virales diffusées par Boston Dynamics, qui montrent son robot humanoïde Atlas debout sur une jambe, sautant par-dessus des boîtes et dansant . Ces vidéos cumulent des millions de vues et ont même été parodié . Le contrôle qu'Atlas a sur ses mouvements est impressionnant, mais les séquences chorégraphiées impliquent probablement beaucoup de réglages manuels. (Boston Dynamics n'a pas publié de détails, il est donc difficile de dire combien.)

'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 fonctionnent de manière fiable et vivent dans des environnements humains.' Cassie ne sait pas encore danser, mais apprendre au robot à taille humaine à marcher seul le rapproche de sa capacité à gérer un large éventail de terrains et à récupérer lorsqu'il trébuche ou s'endommage.

Histoire connexe

Ces bras de robots virtuels deviennent plus intelligents en s'entraînant mutuellement En jouant à un jeu dans lequel l'un essaie de déjouer l'autre, les bots d'OpenAI peuvent apprendre à résoudre un large éventail de problèmes sans se recycler.

Limitations virtuelles : L'apprentissage par renforcement a été utilisé pour entraîner de nombreux robots à marcher dans des simulations, mais il est difficile de transférer cette capacité dans le monde réel. Beaucoup de vidéos d'agents virtuels que vous voyez ne sont pas du tout réalistes, explique Chelsea Finn, chercheuse en intelligence artificielle et en 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, 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 robot lourd à deux pattes peut perdre l'équilibre et tomber si ses mouvements sont un tout petit peu décalés.

Simulation double : Mais entraîner un gros robot par essais et erreurs dans le monde réel serait dangereux. 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 s'appuyant sur une grande base de données existante de mouvements de robots. Cette simulation a ensuite été transférée dans un deuxième environnement virtuel appelé SimMechanics qui reflète la physique du monde réel avec un degré élevé de précision, mais au prix d'une vitesse d'exécution. Ce n'est qu'une fois que Cassie a semblé bien marcher que le modèle de marche appris a été chargé dans le robot réel.

La vraie Cassie a pu marcher en utilisant le modèle appris en simulation sans aucun réglage supplémentaire. Il pouvait marcher sur un terrain accidenté et glissant, transporter des charges inattendues et se remettre d'une poussée. Lors des tests, Cassie a également endommagé deux moteurs dans sa jambe droite mais a pu ajuster ses mouvements pour compenser. Finn pense que c'est un travail passionnant. Edward Johns, qui dirige le Robot Learning Lab à l'Imperial College de Londres, est d'accord. C'est l'un des exemples les plus réussis que j'ai vus, dit-il.

L'équipe de Berkeley espère utiliser leur approche pour ajouter au répertoire de mouvements de Cassie. Mais ne vous attendez pas à une soirée dansante de si tôt.

cacher