Un robot IA inspiré des animaux apprend à naviguer sur un terrain inconnu
infohightech ·
Des chercheurs ont développé un système d'IA qui permet à un robot à quatre pattes d'adapter sa démarche à des terrains différents et inconnus, tout comme un véritable animal, dans ce qui est considéré comme une première mondiale.
Cette technologie pionnière permet au robot de modifier ses déplacements de manière autonome, sans qu'on lui dise quand et comment modifier sa foulée, comme c'est le cas pour la génération actuelle de robots. Cette avancée est considérée comme une avancée majeure vers l'utilisation potentielle de robots à pattes dans des environnements dangereux où les humains pourraient être mis en danger, comme le démantèlement nucléaire ou les opérations de recherche et sauvetage, où l'incapacité à s'adapter à l'inconnu pourrait coûter des vies.
L'étude, publiée dans Nature Machine Intelligence , a été menée par l'Université de Leeds et l'University College London (UCL) . Les chercheurs se sont inspirés du règne animal pour apprendre au robot à se déplacer sur des terrains qu'il n'avait jamais vus auparavant. Parmi eux, des animaux à quatre pattes comme les chiens, les chats et les chevaux, qui s'adaptent facilement à différents environnements. Ces animaux adaptent leur mode de déplacement pour économiser de l'énergie, maintenir leur équilibre ou réagir rapidement aux menaces.
Les chercheurs ont créé un cadre qui peut apprendre aux robots à passer du trot à la course, au bond et plus encore, tout comme le font les mammifères dans la nature.
Changer d'allure lorsque nécessaire
En intégrant au système d'IA les mêmes stratégies que celles utilisées par les animaux pour évoluer dans un monde imprévisible, le robot apprend rapidement à changer d'allure à la volée, en fonction du terrain. Grâce à la puissance de traitement de l'IA, le robot, surnommé « Clarence », a appris les stratégies nécessaires en seulement neuf heures, soit bien plus rapidement que les jours ou les semaines nécessaires à la plupart des jeunes animaux pour traverser différentes surfaces avec assurance.
Joseph Humphreys , premier auteur de l'étude et chercheur de troisième cycle à l' École de génie mécanique de Leeds, a expliqué comment le cadre développé permet au robot de modifier sa foulée en fonction de son environnement, surmontant une variété de terrains, notamment du bois irrégulier, des copeaux de bois en vrac et de la végétation envahissante, sans aucune modification du système lui-même.
Il a déclaré : « Nos découvertes pourraient avoir un impact significatif sur l’avenir du contrôle des mouvements des robots à pattes en réduisant de nombreuses limitations antérieures en matière d’adaptabilité. »
Il a ajouté : « Ce cadre d'apprentissage par renforcement profond enseigne des stratégies de marche et des comportements inspirés d'animaux réels - ou « bio-inspirés » - tels que l'économie d'énergie, l'ajustement des mouvements selon les besoins et la mémoire de la marche, pour obtenir un mouvement hautement adaptable et optimal, même dans des environnements jamais rencontrés auparavant.
Tout l'entraînement se déroule en simulation. On applique la politique sur ordinateur, puis on la transfère au robot, et il est aussi performant qu'à l'entraînement. C'est similaire à Matrix : les compétences de Neo en arts martiaux sont enregistrées dans son cerveau, mais il ne subit aucun entraînement physique dans le monde réel.
Nous avons ensuite testé le robot en conditions réelles, sur des surfaces qu'il n'avait jamais rencontrées auparavant, et il les a toutes parcourues avec succès. C'était vraiment gratifiant de le voir s'adapter à tous les défis que nous lui avions lancés et de constater à quel point le comportement animal que nous avions étudié était devenu presque une seconde nature pour lui.

Formation par simulation. Crédit : Joseph Humphreys, Université de Leeds
Les agents d'apprentissage par renforcement profond sont souvent performants pour apprendre une tâche spécifique, mais peinent à s'adapter aux changements d'environnement. Le cerveau animal possède des structures et des informations intégrées qui favorisent l'apprentissage. Certains agents peuvent imiter ce type d'apprentissage, mais leurs systèmes artificiels sont généralement moins avancés ou complexes. Les chercheurs affirment avoir surmonté ce défi en intégrant à leur système des stratégies de mouvement animal naturel.
Ils affirment que leur cadre est le premier à intégrer simultanément les trois composants essentiels de la locomotion animale dans un système d'apprentissage par renforcement, à savoir : les stratégies de transition de la démarche, la mémoire procédurale de la démarche et l'ajustement adaptatif du mouvement, permettant un déploiement véritablement polyvalent et réel directement à partir de la simulation, sans nécessiter d'ajustement supplémentaire sur le robot physique.
C'est similaire à Matrix, lorsque les compétences de Neo en arts martiaux sont téléchargées dans son cerveau, mais il ne subit aucun entraînement physique dans le monde réel. Joseph Humphreys, École de génie mécanique
En termes simples, le robot n'apprend pas seulement à se déplacer : il apprend à décider quelle démarche utiliser, quand changer et comment l'ajuster en temps réel, même sur un terrain qu'il n'a jamais rencontré auparavant.
Le professeur Zhou, auteur principal de l'étude au département informatique de l'UCL, a déclaré : « Cette recherche était motivée par une question fondamentale : et si les robots à pattes pouvaient se déplacer instinctivement comme les animaux ? Au lieu d'entraîner les robots à des tâches spécifiques, nous voulions leur donner l'intelligence stratégique dont les animaux font preuve pour adapter leur démarche, en utilisant des principes comme l'équilibre, la coordination et l'efficacité énergétique. »
En intégrant ces principes à un système d'IA, nous permettons aux robots de choisir leurs déplacements en fonction de conditions en temps réel, et non de règles préprogrammées. Ils peuvent ainsi évoluer en toute sécurité et efficacité dans des environnements inconnus, même ceux qu'ils n'ont jamais rencontrés auparavant.
« Notre vision à long terme est de développer des systèmes d’IA incarnés — y compris des robots humanoïdes — qui se déplacent, s’adaptent et interagissent avec la même fluidité et la même résilience que les animaux et les humains. »
Applications concrètes
Les ingénieurs imitent de plus en plus la nature – ce que l'on appelle le biomimétisme – pour résoudre des problèmes complexes de mobilité. L'équipe affirme que cette réalisation marque une avancée majeure pour rendre les robots à pattes plus adaptables et capables de relever les défis du monde réel, dans des environnements dangereux ou difficiles d'accès. Un robot capable de se déplacer sur des terrains inconnus et complexes ouvre de nouvelles perspectives pour les interventions en cas de catastrophe, l'exploration planétaire, l'agriculture et l'inspection des infrastructures.
Cela suggère également une voie prometteuse pour intégrer l'intelligence biologique dans les systèmes robotiques et mener des recherches plus éthiques sur les hypothèses biomécaniques ; au lieu de surcharger les animaux avec des capteurs invasifs ou de les mettre en danger pour étudier leur réponse de récupération de stabilité, des robots peuvent être utilisés à la place.
En s’inspirant des facteurs qui rendent le mouvement animal efficace, les chercheurs ont pu développer un cadre capable de traverser des terrains complexes et à haut risque malgré le fait que le robot n’utilise pas de capteurs extéroceptifs – à savoir la vue, l’odorat et l’ouïe, qui aident les humains dans leurs mouvements.
Pratique parallèle sur plusieurs terrains
En utilisant l'apprentissage par renforcement profond – un système d'essais et d'erreurs surpuissant – le robot s'est entraîné simultanément dans des centaines d'environnements, résolvant d'abord le défi de se déplacer avec différentes allures, puis choisissant la meilleure allure pour le terrain, générant les outils pour obtenir un mouvement hautement adaptable.
Pour tester cette adaptabilité acquise en situation réelle, le robot a été lâché sur des surfaces réelles, comme des copeaux de bois, des rochers, des racines envahissantes et du bois non fixé. Ses pattes ont également été frappées à plusieurs reprises par un balai, testant ainsi sa capacité à se relever après des chutes. L'équipe a utilisé un itinéraire programmé ou un joystick – comme ceux utilisés dans les jeux vidéo – pour diriger le robot.

Crédit : Joseph Humphreys, Université de Leeds
Étonnamment, le robot n’a pas été exposé à un terrain accidenté pendant l’entraînement, ce qui met en évidence la capacité du système à s’adapter et démontre que ces compétences sont devenues instinctives pour le robot.
L'étude, financée en partie par la Royal Society et l' Advanced Research and Invention Agency (ARIA) , s'est concentrée sur la mise en place de mouvements quotidiens robustes. Dans le cadre de travaux futurs, l'équipe espère ajouter des compétences plus dynamiques, telles que le saut longue distance, l'escalade et la navigation sur des terrains escarpés ou verticaux. Bien que le cadre n'ait jusqu'à présent été testé que sur un seul robot quadrupède de la taille d'un chien, les principes sous-jacents sont largement applicables. Les mêmes métriques bio-inspirées peuvent être utilisées sur une large gamme de robots à quatre pattes, quels que soient leur taille ou leur poids, à condition qu'ils partagent une morphologie similaire.