Des robots humanoïdes simulés apprennent à parcourir des terrains accidentés de manière autonome

infohightech · 16 septembre 2025

Désormais capables d’apprendre la locomotion et la navigation ensemble, les robots développent des démarches équilibrées et des itinéraires sûrs.

Former des robots humanoïdes à la randonnée pourrait accélérer le développement de l'IA incarnée pour des tâches telles que la recherche et le sauvetage autonomes, la surveillance écologique dans des endroits inexplorés et plus encore, affirment des chercheurs de l'Université du Michigan qui ont développé un modèle d'IA qui équipe les humanoïdes pour parcourir les sentiers.

Grâce à leur nouveau framework d'IA baptisé LEGO-H , les chercheurs ont entraîné des humanoïdes simulés d'Unitree Robotics, équipés de caméras, à anticiper, éviter les obstacles, maintenir leur posture et adapter leur vitesse et leur foulée aux irrégularités du terrain. Cette recherche a été financée par la National Science Foundation (NSF).

« Notre modèle est le premier à permettre à un robot humanoïde de voir, de décider et de se déplacer de manière entièrement autonome – pas seulement en marchant, mais aussi en sautillant, en marchant ou en sautant selon les exigences du sentier. Jusqu'à présent, les humanoïdes étaient pour la plupart aveugles, dépendants d'opérateurs humains pour chaque décision de mouvement », a déclaré Stella Yu , professeure d'informatique et d'ingénierie et auteure principale d'une étude présentée à la conférence IEEE sur la vision par ordinateur et la reconnaissance de formes à Nashville en juin 2025.

Crédit : Lin et Yu, 2025.

Description de la vidéo

Un robot humanoïde se déplace de manière autonome sur un sentier de randonnée en utilisant la perception visuelle, la prise de décision et l'exécution motrice.
En se déplaçant sur un sentier de randonnée géométrique simulé, le robot fait de petits pas en montant une colline.
Le robot monte un petit obstacle, puis redescend et continue à marcher en montée.
Après avoir monté deux marches et sauté deux fois de plus, le robot arrive devant un trou dans le sol. Il marque une pause, puis fait un pas de côté et contourne le trou, puis se dirige vers le côté en marchant comme un crabe.

Texte à l'écran :

Crabe
Sentier d'essai inédit avec plusieurs types de terrains : montée, obstacles, gros obstacles rocheux, terrasse, flaques d'eau, ravin accidenté.
Marcher
Étape
Saut
Marcher
Étape
Saut
DEVIATION

Traditionnellement, les robots ont appris à naviguer sur des surfaces planes et dégagées à l’aide de cartes préétablies et d’un guidage humain constant, la planification de haut niveau (« où aller ») et l’exécution de bas niveau (« comment se déplacer ») étant traitées comme des problèmes distincts.

« L'unification de la navigation et de la locomotion dans un cadre d'apprentissage de politique unique permet aux robots de développer leurs propres stratégies de mouvement en fonction de la situation sans aucun modèle de préprogrammation humaine », a déclaré Kwan-Yee Lin , chercheur en informatique et en ingénierie et auteur principal de l'étude.

Dans la simulation, des robots humanoïdes sont lâchés sur un sentier inconnu et invités à se diriger vers un point précis. Ils sont équipés d'informations visuelles, d'une perception corporelle et d'une simple direction GPS – par exemple « la destination est à 0,5 km au nord-est » – plutôt que d'indications détaillées.

Les robots virtuels de 1,80 m, de la taille d'un adulte, et d'environ 1,20 m, de la taille d'un enfant, ont parcouru cinq types de sentiers différents, chacun avec cinq niveaux de difficulté. Leur performance a été évaluée sur l'exhaustivité, la sécurité et l'efficacité.

Un nouveau framework d'IA appelé LEGO-H entraîne des robots humanoïdes à parcourir des sentiers complexes, combinant perception visuelle, prise de décision et exécution motrice. Le robot utilise sa vision pour anticiper de manière autonome ses objectifs à court terme et guider ses déplacements le long du sentier. La taille des bulles, de la plus grande à la plus petite, indique la direction anticipée, tandis que la couleur indique l'ordre : orange, puis vert, puis gris. Crédit : Lin et Yu, 2025.

Comparés à des robots disposant d'informations de navigation et d'environnement parfaites au préalable, les robots autonomes simulés ont affiché des performances comparables, voire supérieures, en termes d'efficacité et de sécurité. Leur conscience corporelle intégrée a permis d'éviter les dommages, et la suppression de cet aspect a sensiblement réduit la réussite des randonnées, ont indiqué les chercheurs.

Les robots virtuels autonomes ont appris à adapter leur position corporelle et leur style de mouvement au terrain. Par exemple, lorsqu'ils arrivaient dans un espace restreint, ils apprenaient à se pencher latéralement pour se faufiler. Ils étaient également capables de déterminer leur trajectoire en fonction des obstacles : contourner les obstacles hauts et enjamber les obstacles plus bas, ou encore contourner les obstacles s'ils ne pouvaient pas les franchir.

« Étonnamment, les robots virtuels ont pu retrouver leur équilibre après une chute, un phénomène jamais observé chez les humanoïdes précédents. Nous n'avons pas programmé cela. Cela s'est produit naturellement à mesure que les robots ont appris à interagir avec leur environnement », a déclaré Lin.

Pour cette première étude, le haut du corps du robot est resté fixe, car l'ajout de mouvements du haut du corps augmente considérablement la complexité de la modélisation. Maintenant que cette étude de validation de principe a fonctionné pour le mouvement des jambes, l'équipe de recherche travaille à la coordination de la marche de l'ensemble du corps afin d'exploiter pleinement les degrés de liberté du robot et de maximiser la stabilité, la sécurité et l'efficacité de la locomotion.

L’équipe de recherche travaille activement à adapter ces politiques aux humanoïdes physiques du monde réel.

https://news.engin.umich.edu/2025/09/simulated-humanoid-robots-learn-to-hike-rugged-terrain-autonomously

Description de la vidéo

Un robot humanoïde se déplace de manière autonome sur un sentier de randonnée en utilisant la perception visuelle, la prise de décision et l'exécution motrice.
En se déplaçant sur un sentier de randonnée géométrique simulé, le robot fait de petits pas en montant une colline.
Le robot monte un petit obstacle, puis redescend et continue à marcher en montée.
Après avoir monté deux marches et sauté deux fois de plus, le robot arrive devant un trou dans le sol. Il marque une pause, puis fait un pas de côté et contourne le trou, puis se dirige vers le côté en marchant comme un crabe.

Texte à l'écran :

Crabe
Sentier d'essai inédit avec plusieurs types de terrains : montée, obstacles, gros obstacles rocheux, terrasse, flaques d'eau, ravin accidenté.
Marcher
Étape
Houblon
Marcher
Étape
Houblon
DEVIATION

<details class="wp-block-details is-layout-flow wp-block-details-is-layout-flow" style=""><summary aria-expanded="false">Description de la vidéo</summary>

<li>Un robot humanoïde se déplace de manière autonome sur un sentier de randonnée en utilisant la perception visuelle, la prise de décision et l'exécution motrice.</li>

<li>En se déplaçant sur un sentier de randonnée géométrique simulé, le robot fait de petits pas en montant une colline.</li>

<li>Le robot monte un petit obstacle, puis redescend et continue à marcher en montée.</li>

<li>Après avoir monté deux marches et sauté deux fois de plus, le robot arrive devant un trou dans le sol. Il marque une pause, puis fait un pas de côté et contourne le trou, puis se dirige vers le côté en marchant comme un crabe. </li>

</ul>

Texte à l'écran :

<li>Crabe</li>

<li>Sentier d'essai inédit avec plusieurs types de terrains : montée, obstacles, gros obstacles rocheux, terrasse, flaques d'eau, ravin accidenté.</li>

<li>Marcher</li>

<li>Étape</li>

<li>Houblon</li>

<li>Marcher</li>

<li>Étape</li>

<li>Houblon</li>

<li>DEVIATION</li>

</ul>

</details>