Ce robot à quatre pattes a appris le parkour pour mieux franchir les obstacles

Rencontrez ANYmal, un robot ressemblant à un chien à quatre pattes conçu par des chercheurs de l’ETH Zürich en Suisse, dans l’espoir d’utiliser de tels robots pour la recherche et le sauvetage sur des chantiers de construction ou des zones sinistrées, entre autres applications. ANYmal a désormais été mis à niveau pour effectuer des mouvements de parkour rudimentaires, c’est-à-dire « course libre ». Les passionnés de parkour humain sont connus pour leurs exploits acrobatiques et remarquablement agiles, et même si ANYmal ne peut pas les égaler, le robot a réussi à sauter par-dessus les trous, à gravir et à descendre de grands obstacles et à s’accroupir pour manœuvrer sous un obstacle, selon un article récent. publié dans la revue Science Robotics.

L’équipe de l’ETH Zürich a introduit l’approche originale d’ANYmal en matière d’apprentissage par renforcement en 2019 et a amélioré sa proprioception (la capacité de ressentir le mouvement, l’action et l’emplacement) trois ans plus tard. L’année dernière, l’équipe a présenté un trio de robots ANYmal personnalisés, testés dans des environnements aussi proches que possible du terrain lunaire et martien. Comme indiqué précédemment, des robots capables de marcher pourraient aider les futurs rovers et atténuer le risque de dommages causés par des arêtes vives ou de perte de traction dans le régolithe meuble. Chaque robot avait un capteur lidar. mais ils étaient chacun spécialisé dans des fonctions particulières et suffisamment flexibles pour se couvrir mutuellement : en cas de problème, les autres peuvent prendre en charge ses tâches.

Par exemple, l’objectif principal du modèle Scout était d’étudier son environnement à l’aide de caméras RVB. Ce robot a également utilisé un autre imageur pour cartographier les régions et les objets d’intérêt à l’aide de filtres laissant passer différentes zones du spectre lumineux. Le modèle Scientist avait l’avantage d’un bras doté d’un MIRA (Metrohm Instant Raman Analyser) et d’un MICRO (imageur microscopique). Le MIRA a pu identifier les produits chimiques présents dans les matériaux trouvés à la surface de la zone de démonstration en fonction de la façon dont ils diffusaient la lumière, tandis que le MICRO à son poignet les a photographiés de près. L’Hybride était plutôt un généraliste, aidant le Scout et le Scientifique à mesurer des cibles scientifiques telles que des rochers et des cratères.

Aussi avancés que soient devenus les robots ANYmal et aux pattes similaires ces dernières années, des défis importants restent encore à relever avant qu’ils ne soient aussi agiles et agiles que les humains et les autres animaux. «Avant le début du projet, plusieurs de mes collègues chercheurs pensaient que les robots à pattes avaient déjà atteint les limites de leur potentiel de développement», a déclaré le co-auteur Nikita Rudin, étudiant diplômé de l’ETH Zurich qui pratique également le parkour. « Mais j’avais une opinion différente. En fait, j’étais sûr qu’on pouvait faire beaucoup plus avec la mécanique des robots à pattes.

Le parkour est assez complexe du point de vue de la robotique, ce qui en fait une tâche ambitieuse idéale pour la prochaine étape de l’équipe suisse dans les capacités d’ANYmal. Le parkour peut impliquer de grands obstacles, obligeant le robot « à effectuer des manœuvres dynamiques aux limites d’actionnement tout en contrôlant avec précision le mouvement de la base et des membres », ont écrit les auteurs. Pour réussir, ANYmal doit être capable de ressentir son environnement et de s’adapter aux changements rapides, en sélectionnant un chemin réalisable et une séquence de mouvements à partir de son ensemble de compétences programmées. Et il doit faire tout cela en temps réel avec une informatique embarquée limitée.

L’approche globale de l’équipe suisse combine l’apprentissage automatique et le contrôle basé sur des modèles. Ils divisent la tâche en trois composants interconnectés : un module de perception qui traite les données des caméras embarquées et du LiDAR pour estimer le terrain ; un module de locomotion avec un catalogue programmé de mouvements pour surmonter des terrains spécifiques ; et un module de navigation qui guide le module de locomotion dans la sélection des compétences à utiliser pour naviguer sur différents obstacles et terrains à l’aide de commandes intermédiaires.

Rudin, par exemple, a utilisé l’apprentissage automatique pour enseigner à TOUS de nouvelles compétences par essais et erreurs, à savoir franchir les obstacles et comprendre comment grimper et redescendre. La caméra et le réseau de neurones artificiels du robot lui permettent de sélectionner les meilleures manœuvres en fonction de son entraînement préalable. Un autre étudiant diplômé, Fabian Jenelten, a utilisé le contrôle basé sur un modèle pour enseigner à ANYmal comment reconnaître et négocier les interstices dans les tas de décombres, complété par l’apprentissage automatique afin que le robot puisse avoir plus de flexibilité dans l’application de schémas de mouvement connus à des situations inattendues.

Parmi les tâches qu’ANYmal était capable d’accomplir figurait le saut d’une boîte à une boîte voisine jusqu’à 1 mètre de distance. Cela obligeait le robot à s’approcher de l’espace latéralement, à placer ses pieds le plus près possible du bord, puis à utiliser trois jambes pour sauter tout en étendant la quatrième pour atterrir sur l’autre boîte. Il pourrait alors transférer deux jambes diagonales avant de faire passer la dernière jambe à travers l’espace. Cela signifiait que ANYmal pouvait se remettre de tout faux pas et glissement en transférant son poids entre les jambes qui ne sautaient pas.

ANYmal a également pu descendre d’une boîte d’un mètre de haut pour atteindre une cible au sol, ainsi que grimper dans la boîte. Il peut également s’accroupir pour atteindre une cible de l’autre côté d’un passage étroit, en abaissant sa base et en adaptant sa démarche en conséquence. L’équipe a également testé les capacités de marche d’ANYmal, dans lesquelles le robot a traversé avec succès des escaliers, des pentes, de petits obstacles aléatoires, etc.

ANYmal a encore ses limites lorsqu’il s’agit de naviguer dans des environnements réels, qu’il s’agisse d’un parcours de parkour ou des débris d’un bâtiment effondré. Par exemple, les auteurs notent qu’ils doivent encore tester l’évolutivité de leur approche à des scénarios plus diversifiés et non structurés qui intègrent une plus grande variété d’obstacles ; le robot n’a été testé que dans quelques scénarios sélectionnés. « Il reste à voir dans quelle mesure ces différents modules peuvent se généraliser à des scénarios complètement nouveaux », ont-ils écrit. L’approche prend également du temps car elle nécessite huit réseaux neuronaux qui doivent être réglés séparément, et certains réseaux sont interdépendants, donc changer l’un signifie également changer et recycler les autres.

Pourtant, ANYmal « peut désormais évoluer dans des scènes complexes où il doit grimper et sauter sur de grands obstacles tout en sélectionnant un chemin non trivial vers son emplacement cible », ont écrit les auteurs. Ainsi, « en visant à égaler l’agilité des coureurs libres, nous pouvons mieux comprendre les limites de chaque composant du pipeline, de la perception à l’actionnement, contourner ces limites et, de manière générale, augmenter les capacités de nos robots ».

Science Robotics, 2024. DOI : 10.1126/scirobotics.adi7566 (À propos des DOI).

Image de l’annonce de l’ETH Zurich / Nikita Rudin