Tout le monde peut désormais former un robot : un nouvel outil rend l'enseignement des compétences pratique et facile

Les ingénieurs du MIT ont conçu une interface polyvalente qui permet aux utilisateurs d’enseigner aux robots de nouvelles compétences de manière intuitive.

Autrefois, enseigner de nouvelles compétences à un robot nécessitait des compétences en codage. Mais une nouvelle génération de robots pourrait potentiellement apprendre de n'importe qui.

Les ingénieurs conçoivent des robots d'assistance capables d'« apprendre par démonstration ». Cette stratégie d'apprentissage plus naturelle permet à une personne de diriger un robot dans l'exécution d'une tâche, généralement de trois manières : par télécommande, par exemple en manœuvrant un joystick pour manœuvrer le robot à distance ; en déplaçant physiquement le robot ; ou en effectuant la tâche elle-même pendant que le robot observe et imite.

Les robots apprenants par la pratique s'entraînent généralement selon l'une de ces trois approches de démonstration. Mais des ingénieurs du MIT ont développé une interface d'apprentissage trois-en-un permettant à un robot d'apprendre une tâche via l'une de ces trois méthodes. Cette interface se présente sous la forme d'un outil portatif équipé de capteurs, qui peut se fixer à de nombreux bras robotiques collaboratifs courants. Un utilisateur peut utiliser cet accessoire pour apprendre à un robot à réaliser une tâche en le contrôlant à distance, en le manipulant physiquement ou en faisant lui-même la démonstration de la tâche, selon son style préféré ou celui qui convient le mieux à la tâche à accomplir.

L'équipe du MIT a testé le nouvel outil, qu'elle appelle « interface de démonstration polyvalente », sur un bras robotique collaboratif standard. Des volontaires experts en fabrication ont utilisé l'interface pour réaliser deux tâches manuelles couramment effectuées en usine.

Les chercheurs affirment que la nouvelle interface offre une flexibilité de formation accrue, ce qui pourrait élargir le type d'utilisateurs et d'« enseignants » qui interagissent avec les robots. Elle pourrait également permettre aux robots d'acquérir un éventail de compétences plus large.

Par exemple, une personne pourrait former à distance un robot à la manipulation de substances toxiques, tandis qu'en aval de la chaîne de production, une autre personne pourrait physiquement déplacer le robot pour l'emballer. Enfin, en bout de chaîne, une autre personne pourrait utiliser l'accessoire pour dessiner un logo d'entreprise pendant que le robot observe et apprend à faire de même.

« Nous cherchons à former des collaborateurs hautement intelligents et compétents, capables de collaborer efficacement avec les humains pour réaliser des tâches complexes », explique Mike Hagenow, postdoctorant au Département d'aéronautique et d'astronautique du MIT. « Nous pensons que des outils de démonstration flexibles peuvent s'avérer utiles bien au-delà de l'atelier de fabrication, dans d'autres domaines où nous espérons une adoption accrue des robots, comme le secteur domestique ou celui des soins. »

Mike Hagenow présentera un article détaillant la nouvelle interface lors de la conférence IEEE « Intelligent Robots and Systems » (IROS) en octobre. Les coauteurs de l'article au MIT sont Dimosthenis Kontogiorgos, postdoctorant au MIT Computer Science and Artificial Intelligence Lab (CSAIL) ; Yanwei Wang, PhD '25, récemment titulaire d'un doctorat en génie électrique et informatique ; et Julie Shah, professeure au MIT et directrice du département d'aéronautique et d'astronautique.

S'entraîner ensemble

L'équipe de Shah au MIT conçoit des robots capables de collaborer avec les humains sur le lieu de travail, à l'hôpital et à la maison. L'un des principaux axes de ses recherches est le développement de systèmes permettant d'enseigner aux robots de nouvelles tâches ou compétences « sur le tas », pour ainsi dire. De tels systèmes aideraient, par exemple, un ouvrier d'usine à ajuster rapidement et naturellement les manœuvres d'un robot pour améliorer sa tâche sur le moment, plutôt que de s'arrêter pour reprogrammer le logiciel du robot de A à Z – une compétence qu'un ouvrier ne possède pas forcément.

Les nouveaux travaux de l'équipe s'appuient sur une stratégie émergente en apprentissage robotique appelée « apprentissage par démonstration » (LfD), qui consiste à concevoir des robots pour un entraînement plus naturel et intuitif. En parcourant la littérature sur le LfD, Hagenow et Shah ont constaté que les méthodes d'entraînement LfD développées jusqu'à présent se répartissent généralement en trois grandes catégories : la téléopération, l'entraînement kinesthésique et l'apprentissage naturel.

Une méthode d'entraînement peut être plus efficace que les deux autres pour une personne ou une tâche donnée. Shah et Hagenow se sont demandé s'ils pouvaient concevoir un outil combinant ces trois méthodes pour permettre à un robot d'apprendre davantage de tâches auprès d'un plus grand nombre de personnes.

« Si nous pouvions réunir ces trois différentes manières dont quelqu’un pourrait vouloir interagir avec un robot, cela pourrait apporter des avantages pour différentes tâches et différentes personnes », explique Mike Hagenow.

Tâches à accomplir

Dans cet objectif, l'équipe a conçu une nouvelle interface de démonstration polyvalente (VDI). Il s'agit d'un accessoire portatif qui s'adapte au bras d'un robot collaboratif classique. Cet accessoire est équipé d'une caméra et de marqueurs qui suivent la position et les mouvements de l'outil au fil du temps, ainsi que de capteurs de force mesurant la pression appliquée lors d'une tâche donnée.

Lorsque l'interface est connectée à un robot, celui-ci peut être entièrement contrôlé à distance. La caméra de l'interface enregistre ses mouvements, que le robot peut utiliser comme données d'entraînement pour apprendre la tâche de manière autonome. De même, une personne peut déplacer physiquement le robot pour effectuer une tâche, l'interface étant connectée. L'interface VDI peut également être détachée et tenue physiquement par une personne pour effectuer la tâche souhaitée. La caméra enregistre les mouvements de l'interface VDI, que le robot peut également utiliser pour reproduire la tâche une fois l'interface VBI reconnectée.

Pour tester l'ergonomie de l'accessoire, l'équipe a apporté l'interface, accompagnée d'un bras robotisé collaboratif, à un centre d'innovation local où des experts en fabrication découvrent et testent des technologies susceptibles d'améliorer les processus en usine. Les chercheurs ont mis en place une expérience où ils ont demandé à des volontaires du centre d'utiliser le robot et les trois méthodes d'apprentissage de l'interface pour réaliser deux tâches de fabrication courantes : l'emmanchement et le moulage.

Pour l'emmanchement, l'utilisateur a entraîné le robot à enfoncer et à insérer des chevilles dans des trous, comme pour de nombreuses tâches de fixation. Pour le moulage, un volontaire a entraîné le robot à pousser et à rouler uniformément une substance caoutchouteuse et pâteuse sur la surface d'une tige centrale, comme pour certaines tâches de thermomoulage.

Pour chacune des deux tâches, les volontaires ont été invités à utiliser chacune des trois méthodes d'entraînement, en téléopérant d'abord le robot à l'aide d'un joystick, puis en manipulant le robot de manière kinesthésique, et enfin, en détachant l'attache du robot et en l'utilisant pour effectuer « naturellement » la tâche pendant que le robot enregistrait la force et les mouvements de l'attache.

Les chercheurs ont constaté que les volontaires préféraient généralement la méthode naturelle à la téléopération et à l'entraînement kinesthésique. Les utilisateurs, tous experts en fabrication, ont proposé des scénarios dans lesquels chaque méthode pouvait présenter des avantages. La téléopération, par exemple, pourrait être préférable pour entraîner un robot à manipuler des substances dangereuses ou toxiques. L'entraînement kinesthésique pourrait aider les travailleurs à ajuster le positionnement d'un robot chargé de déplacer des colis lourds. Enfin, l'apprentissage naturel pourrait être bénéfique pour la démonstration de tâches impliquant des manœuvres délicates et précises.

« Nous envisageons d'utiliser notre interface de démonstration dans des environnements de fabrication flexibles, où un robot pourrait intervenir sur diverses tâches nécessitant des démonstrations spécifiques », conclut Mike Hagenow, qui prévoit d'affiner la conception de l'accessoire en fonction des retours des utilisateurs et utilisera cette nouvelle conception pour tester l'apprentissage robotique. « Nous considérons cette étude comme une démonstration de la flexibilité accrue des robots collaboratifs grâce à des interfaces qui élargissent les modes d'interaction des utilisateurs finaux avec les robots pendant l'apprentissage. »

https://news.mit.edu/2025/new-tool-gives-anyone-ability-to-train-robot-0717