Des chercheurs du MIT aident les robots à utiliser tout leur corps pour manipuler des objets

Par Brianna Wessling | 29 août 2023

Un robot essayant d'utiliser toutes ses mains pour faire tourner un seau à 180º. | Source : MIT

Une équipe de recherche du MIT a développé une technique d’IA qui permet aux robots de manipuler des objets avec l’ensemble de leur main ou de leur corps, plutôt qu’avec le bout de leurs doigts.

Lorsqu'une personne ramasse une boîte, elle utilise généralement toutes ses mains pour la soulever, puis ses avant-bras et sa poitrine pour maintenir la boîte stable pendant qu'elle la déplace ailleurs. Ce type de manipulation concerne l’ensemble du corps et c’est quelque chose avec lequel les robots ont du mal.

Pour les robots, chaque endroit où la boîte pourrait toucher n'importe quel point de leurs doigts, bras et torse est un événement de contact sur lequel le robot doit raisonner. Cela laisse aux robots des milliards d’événements de contact potentiels, ce qui rend extrêmement compliquée la planification de tâches qui nécessitent l’ensemble du corps. Ce processus par lequel un robot tente d'apprendre la meilleure façon de déplacer un objet est appelé planification de manipulation riche en contacts.

Cependant, les chercheurs du MIT ont trouvé un moyen de simplifier ce processus en utilisant une technique d'IA appelée lissage et un algorithme construit par l'équipe. Le lissage résume de nombreux événements de contact en un plus petit nombre de décisions, éliminant les événements qui ne sont pas importants pour la tâche et réduisant les choses à un plus petit nombre de décisions. Cela permet même à un algorithme simple de concevoir rapidement un plan de manipulation efficace.

De nombreux robots apprennent à manipuler des objets grâce à l'apprentissage par renforcement, une technique d'apprentissage automatique dans laquelle un agent utilise des essais et des erreurs pour apprendre à accomplir une tâche contre une récompense. Grâce à ce type d’apprentissage, un système doit tout apprendre sur le monde par essais et erreurs.

Avec des milliards de points de contact à tester, l’apprentissage par renforcement peut nécessiter beaucoup de calculs, ce qui n’en fait pas un choix idéal pour la planification de manipulations riches en contacts, bien qu’il puisse être efficace avec suffisamment de temps.

L'apprentissage par renforcement effectue cependant le processus de lissage en essayant différents points de contact et en calculant une moyenne pondérée des résultats, ce qui contribue à le rendre si efficace dans l'enseignement des robots.

L’équipe de recherche du MIT s’est appuyée sur ces connaissances pour créer un modèle simple permettant d’effectuer ce type de recherche, permettant au système de se concentrer sur les interactions robot-objet essentielles et de prédire le comportement à long terme.

L’équipe a ensuite combiné son modèle avec un algorithme capable de rechercher rapidement toutes les décisions possibles qu’un robot peut prendre. Entre le modèle de lissage et l’algorithme, l’équipe a créé un système qui ne nécessitait qu’environ une minute de temps de calcul sur un ordinateur portable standard.

Bien que ce projet en soit encore à ses débuts, cette méthode pourrait être utilisée pour permettre aux usines de déployer des robots mobiles plus petits qui utilisent tout leur corps pour manipuler des objets plutôt que de grands bras robotiques qui ne saisissent qu'avec le bout des doigts.

Bien que le modèle ait montré des résultats prometteurs lors de ses tests en simulation, il ne peut pas gérer des mouvements très dynamiques, comme la chute d'objets. C’est l’une des questions que l’équipe espère continuer à aborder dans les recherches futures.

Les recherches des équipes ont été financées en partie par Amazon, le laboratoire MIT Lincoln, la National Science Foundation et le groupe Ocado. L'équipe comprenait HJ Terry Suh, étudiant diplômé en génie électrique et informatique (EECS) et co-auteur principal de l'article et co-auteur principal Tao Pang Ph.D. '23, roboticien au Boston Dynamics AI Institute ; Lujie Yang, étudiante diplômée de l'EECS ; et l'auteur principal Russ Tedrake, professeur Toyota d'EECS, d'aéronautique et d'astronautique et de génie mécanique, et membre du Laboratoire d'informatique et d'intelligence artificielle (CSAIL).