Le robot Atlas de Boston Dynamics peut désormais saisir et transporter un mini-réfrigérateur. Mais le plus intéressant, c’est la manière dont il a appris à le faire.
Dans un récent billet de blog détaillant l’expérience, Boston Dynamics a révélé qu’Atlas avait répété la tâche pendant des millions d’heures dans des simulations parallèles exécutées sur des GPU, avant que les chercheurs ne transfèrent le comportement appris au robot physique. Le système ainsi obtenu permettait à Atlas de s’accroupir, de soulever le mini-réfrigérateur, de conserver son équilibre et de s’adapter aux variations de la tâche.
Déplacer un mini-réfrigérateur n’a peut-être rien de révolutionnaire. Mais pour les robots humanoïdes, manipuler de manière fiable un objet lourd et difficile à saisir est précisément le genre de tâche trompeusement complexe qui distingue une démonstration impressionnante d’une machine capable, à terme, d’effectuer un travail utile.
Atlas a appris à accomplir la tâche avant même de toucher le réfrigérateur
Enseigner à un robot physique par essais et erreurs peut être lent, coûteux et parfois destructeur. Boston Dynamics transfère donc de plus en plus une grande partie de cet apprentissage dans des simulations.
Pour Atlas, les chercheurs ont créé des environnements virtuels dans lesquels le robot pouvait s’exercer à la tâche de manière répétée et à une échelle considérable. D’après les explications de Boston Dynamics sur le processus d’entraînement, Atlas a accumulé des millions d’heures de pratique simulée en parallèle sur des GPU.
Les chercheurs ont fait varier notamment l’emplacement et la masse du réfrigérateur, la façon dont Atlas le saisissait, la friction du sol et même la puissance des moteurs du robot. L’objectif était d’empêcher Atlas d’apprendre une séquence parfaite qui ne fonctionnerait que dans un seul ensemble de conditions.
Lors de la démonstration physique, Atlas s’accroupit, saisit le mini-réfrigérateur, se redresse et le transporte tout en conservant son équilibre. Boston Dynamics indique que la politique d’entraînement a été conçue pour des charges de 50 à 70 livres, tandis qu’Atlas a réussi à déplacer un réfrigérateur chargé pesant plus de 100 livres.
Cette séquence exige davantage qu’une simple puissance de levage.
Atlas doit coordonner ses jambes, son torse, ses bras et ses mains tout en tenant continuellement compte de l’objet et de son effet sur les mouvements du robot. Lorsque les conditions varient, le système doit s’adapter plutôt que de simplement reproduire un mouvement prédéterminé.
Cette capacité devient importante si les robots humanoïdes doivent sortir du cadre des démonstrations contrôlées pour investir les environnements de travail réels.
Pourquoi un mini-réfrigérateur est plus difficile qu’il n’y paraît
Les robots industriels déplacent des objets lourds depuis des décennies, mais beaucoup opèrent dans des environnements extrêmement structurés.
Un bras robotisé traditionnel peut répéter le même mouvement des milliers de fois tout en restant au même endroit. L’objet arrive à une position prévisible. La machine sait où elle doit aller ensuite. Les personnes peuvent également être tenues à l’écart de son espace de travail.
Les robots humanoïdes sont développés autour d’une proposition différente : opérer dans des environnements déjà conçus pour les humains. Cela peut impliquer de se déplacer dans des espaces à taille humaine, d’atteindre des objets placés à différentes hauteurs, de transporter des charges en mouvement et de s’adapter lorsque les conditions physiques diffèrent de celles rencontrées par le robot pendant son entraînement.
Boston Dynamics met de plus en plus l’accent sur les applications industrielles de la version de production d’Atlas, notamment les tâches de manutention dans les environnements de fabrication. Le mini-réfrigérateur offre un moyen simple de voir ce défi à l’œuvre.
Presque tout le monde comprend ce qu’il faut faire pour s’accroupir, saisir quelque chose de volumineux et difficile à manipuler, se relever sans perdre l’équilibre et le transporter ailleurs. Cette familiarité rend les progrès techniques particulièrement faciles à comprendre.
Des millions d’heures virtuelles, un seul robot physique
L’essentiel se joue peut-être avant même qu’Atlas ne touche un objet physique.
La simulation permet aux chercheurs en robotique de générer d’énormes quantités d’expérience d’entraînement sans obliger les robots physiques à effectuer chaque tentative dans le monde réel. En simulation, un robot peut échouer à répétition sans endommager un matériel coûteux. Les chercheurs peuvent également modifier le poids et la position des objets, la friction, la puissance des moteurs et d’autres variables afin d’exposer le système à un éventail de conditions beaucoup plus large.
Boston Dynamics affirme que ses chercheurs ont utilisé une simulation massivement parallèle pour fournir à Atlas des millions d’heures de pratique avant de transférer la politique de contrôle ainsi obtenue au robot physique. Cette transition est importante, car une réussite en simulation ne garantit pas une réussite dans le monde réel.
De petites différences au niveau des surfaces, de la friction, des capteurs, du matériel et d’autres conditions physiques peuvent faire fonctionner différemment sur une véritable machine un comportement efficace dans un environnement virtuel. Boston Dynamics décrit ce défi comme le « sim-to-real gap ».
L’expérience du mini-réfrigérateur montre qu’un comportement global de plus en plus complexe peut effectuer ce passage de la simulation à un robot Atlas physique.
Pourquoi c’est important
Le mini-réfrigérateur n’est pas vraiment le sujet. La méthode d’entraînement, si.
Si les robots humanoïdes exigent des ingénieurs qu’ils programment manuellement chaque mouvement nécessaire à chaque nouvelle tâche sur le lieu de travail, leur déploiement dans des usines, des entrepôts et d’autres environnements devient beaucoup plus difficile à étendre.
La simulation offre une autre voie. Les chercheurs peuvent fournir aux robots d’énormes quantités de pratique virtuelle, introduire des variations difficiles ou chronophages à reproduire physiquement, puis vérifier si le comportement obtenu se transfère avec succès au matériel réel. Cela pourrait accélérer l’acquisition de nouvelles capacités physiques par les robots humanoïdes.
Plutôt que de concevoir chaque mouvement individuellement, les développeurs pourraient de plus en plus entraîner les robots à atteindre les résultats souhaités et les exposer à un nombre immense de tentatives simulées avant de mettre les comportements ainsi obtenus au service du monde physique.
Il subsiste toutefois une différence énorme entre une démonstration réussie et un robot capable d’effectuer la même tâche en toute sécurité et de manière fiable des milliers de fois dans un environnement de travail imprévisible.
La fiabilité, la vitesse, le coût et les taux d’échec compteront au final bien davantage que la capacité d’Atlas à transporter une fois un mini-réfrigérateur pour une caméra. Mais c’est précisément pour cela que la démonstration mérite d’être suivie.
Ce qui est impressionnant, ce n’est plus simplement qu’un robot humanoïde puisse saisir quelque chose. C’est qu’Atlas a appris cette tâche physique grâce à des volumes de pratique qu’il serait impossible de reproduire avec un seul robot physique.
À lire également : pour découvrir une autre façon dont les chercheurs accélèrent l’entraînement des robots humanoïdes, découvrez comment l’IA « Learn to Teach » de Georgia Tech a aidé un robot à maîtriser le sable, le gravier, les pentes et les surfaces glissantes.