« Des robots sur des skateboards » : ces machines apprennent l’équilibre et le contact comme de véritables athlètes urbains

Les avancées technologiques en robotique ne cessent de repousser les frontières de ce qui est possible. Grâce à une collaboration entre l’Université du Michigan et l’Université des Sciences et Technologies du Sud, un nouveau cadre révolutionnaire a été développé permettant à des robots quadrupèdes de faire du skateboard. Ce système innovant, baptisé DHAL (discrete-time hybrid automata learning), aide les robots à maîtriser des mouvements complexes impliquant un contact physique avec des objets. Cette découverte marque une étape clé dans l’amélioration des capacités des robots à interagir avec leur environnement de manière plus fluide et autonome.

Le défi des mouvements riches en contacts

Les robots à pattes, bien qu’ils puissent marcher, courir et sauter avec une agilité impressionnante, font face à des difficultés lorsqu’il s’agit de tâches nécessitant un contact précis avec des objets. Les méthodes traditionnelles de locomotion quadrupède ne prennent pas en compte ces « interactions riches en contacts », où les robots doivent coordonner leurs mouvements tout en maintenant un contact avec des objets comme des skateboards. Cette limitation a empêché les robots d’effectuer de nombreuses actions humaines pratiques qui seraient utiles dans des applications réelles. Les chercheurs ont identifié cette lacune et se sont attelés à créer un système capable de gérer ces interactions physiques complexes sans nécessiter une programmation intensive ou une guidance humaine.

« Ils l’ont rendu presque humain » : le robot Atlas de Boston Dynamics exécute un breakdance d’une précision bluffante, une performance jamais vue

Comprendre les dynamiques hybrides

Au cœur du défi se trouve le concept de « dynamiques hybrides » – des systèmes qui combinent des mouvements fluides (continus) et des changements d’état soudains (discrets). Sangli Teng, auteur correspondant de l’étude, explique cela en utilisant l’exemple d’une balle rebondissante : elle se déplace continuellement dans l’air mais subit des transitions d’état abruptes lorsqu’elle touche le sol. Ces transitions soudaines rendent extrêmement difficile pour les méthodes de calcul conventionnelles de comprendre et de prédire le mouvement. Pour les robots skateboarders, ces transitions se produisent lorsqu’ils montent sur la planche, déplacent leur poids pour pousser et glissent en avant, créant un mélange complexe de mouvements continus et discrets que les algorithmes traditionnels ont du mal à gérer.

« Des muscles artificiels surpuissants » : le MIT propulse les robots mous vers une agilité jamais atteinte

Le cadre DHAL : une approche révolutionnaire

La solution des chercheurs réside dans leur cadre DHAL (discrete-time hybrid automata learning). Contrairement aux méthodes précédentes, DHAL n’exige pas que les humains identifient manuellement les points de transition ou programment à l’avance le nombre d’états existants. Au lieu de cela, il identifie de manière autonome les moments où un robot passe d’une phase de mouvement à une autre (comme pousser, glisser ou monter sur un skateboard). Cette approche heuristique permet au système d’apprendre chaque segment de mouvement continu séparément, réduisant les perturbations causées par les transitions soudaines. Le cadre s’aligne également naturellement avec les phases de mouvement intuitives, ce qui facilite la compréhension des actions du robot par les humains et leur intervention éventuelle si nécessaire.

« Les créateurs tech ont percé le secret pour exploser sur YouTube et TikTok » : cette méthode d’Acheter-des-Fans.com affole les algorithmes

Tests en conditions réelles avec retour visuel

Pour démontrer l’efficacité de DHAL dans des conditions réelles, les chercheurs ont créé un système de retour visuel où le robot affiche des lumières de couleurs différentes selon le mode de mouvement dans lequel il se trouve. Cela crée une représentation physique des transitions d’état internes vécues par le robot. Un graphique montre le suivi des positions de différents joints (hanche, cuisse et mollet) au fil du temps, avec des couleurs de fond correspondant aux indicateurs lumineux du robot. Cette visualisation confirme que le robot identifie correctement ses transitions entre les différentes phases du skateboarding, validant que le cadre DHAL fonctionne comme prévu lors des tests physiques réels.

Applications futures au-delà du skateboarding

▶

Bien que les robots skateboarders puissent sembler anecdotiques, cette technologie ouvre la voie à de nombreuses applications pratiques. Les chercheurs suggèrent que leur cadre pourrait permettre une livraison de colis plus rapide dans les environnements urbains, à l’intérieur des bureaux ou dans les installations de fabrication. Les robots capables de se déplacer sur des skateboards pourraient potentiellement voyager plus efficacement que ceux limités à la marche ou à la course. À l’avenir, l’équipe prévoit d’appliquer DHAL à d’autres tâches complexes telles que la manipulation habile – utilisant plusieurs doigts ou bras pour manipuler des objets avec une précision humaine. En prédisant plus précisément le contact physique, DHAL pourrait considérablement améliorer la capacité des robots à interagir avec leur environnement, les rendant plus utiles pour des tâches réelles nécessitant un engagement physique avec des objets et des surfaces.

Alors que la technologie continue d’évoluer, la question demeure : comment ces avancées pourraient-elles transformer notre quotidien et jusqu’où irons-nous dans l’intégration de robots dans notre vie de tous les jours ?

Ça vous a plu ? 4.3/5 (23)