Une technique d'apprentissage profond pour améliorer la façon dont les robots saisissent les objets.

22 août 2023

feature

Cet article a été examiné selon le processus éditorial et les politiques de Science X. Les éditeurs ont souligné les attributs suivants tout en garantissant la crédibilité du contenu:

• vérifié
• avant publication
• source fiable
• corrigé

par Ingrid Fadelli, Tech Xplore

La plupart des adultes sont naturellement capables de ramasser des objets dans leur environnement et de les tenir de manière à faciliter leur utilisation. Par exemple, lorsqu'ils prennent un ustensile de cuisine, ils le saisissent normalement par le côté qui ne sera pas placé à l'intérieur de la casserole ou de la poêle.

En revanche, les robots doivent être formés à la meilleure façon de ramasser et de tenir les objets tout en accomplissant différentes tâches. Cela est souvent un processus délicat, car le robot peut également rencontrer des objets qu'il n'a jamais rencontrés auparavant.

Le groupe de recherche Autonomous Intelligent Systems (AIS) de l'Université de Bonn a récemment mis au point une nouvelle méthode d'apprentissage pour améliorer la capacité d'un bras robotique à manipuler les objets de manière à mieux soutenir leur utilisation pratique. Leur approche, présentée dans un article publié sur le serveur de prépublication arXiv, pourrait contribuer au développement de robots assistants capables d'effectuer des tâches manuelles de manière plus efficace.

« Un objet est saisi de manière fonctionnelle s'il peut être utilisé, par exemple : un doigt sur la gâchette d'une perceuse », a déclaré Dmytro Pavlichenko, l'un des chercheurs ayant mené l'étude, à Tech Xplore. « Une telle saisie spécifique n'est pas toujours accessible, rendant la manipulation nécessaire. Dans cet article, nous abordons la manipulation préhension dextre avec une main anthropomorphique ».

L'article récent de Pavlichenko et de son co-auteur Sven Behnke s'appuie sur les efforts de recherche antérieurs du groupe AIS, en particulier un article présenté lors de la conférence internationale IEEE-RAS sur les robots humanoïdes en 2019 à Toronto. Dans le cadre de cette étude antérieure, l'équipe a développé une approche sophistiquée pour la ré-saisie de même objet en utilisant deux bras robotiques, qui reposait sur plusieurs composants complexes conçus à la main.

« La motivation de notre nouvel article était de remplacer un tel processus complexe par un réseau neuronal », a expliqué Pavlichenko. « Cela réduit la complexité et supprime les stratégies de manipulation codées en dur, augmentant ainsi la flexibilité de l'approche ».

L'approche simplifiée de manipulation préhension introduite par les chercheurs dans leur nouvel article repose sur l'apprentissage par renforcement profond, une technique hautement performante et bien connue pour former des algorithmes d'intelligence artificielle. À l'aide de cette technique, l'équipe a formé un modèle pour manipuler habilement les objets avant de les saisir, en veillant à ce que le robot les tienne finalement de manière efficace, exactement comme demandé.

« Notre modèle apprend en utilisant une fonction de récompense dense à plusieurs composantes, qui incite à rapprocher un objet de la prise fonctionnelle cible donnée par une interaction doigt-objet », a déclaré Pavlichenko. « En combinant cela avec une simulation basée sur le GPU, Isaac Gym, l'apprentissage peut être rapide ».

Jusqu'à présent, les chercheurs ont évalué leur approche dans un environnement de simulation connu sous le nom d'Isaac Gym et ont obtenu des résultats très prometteurs. Dans leurs premiers tests, leur modèle a permis aux robots simulés d'apprendre à manipuler des objets de formes distinctes dans leurs mains, finissant par découvrir la meilleure façon de les manipuler sans avoir besoin de démonstrations humaines.

Il est à noter que l'approche d'apprentissage proposée par Pavlichenko et Behnke pourrait facilement s'appliquer à une variété de bras et de mains robotiques, tout en facilitant la manipulation de nombreux objets de formes différentes. À l'avenir, elle pourrait donc être déployée et testée sur différents robots physiques.

« Nous avons démontré qu'il est possible d'apprendre un comportement dynamique complexe semblable à celui d'un être humain à l'aide d'un seul ordinateur grâce à plusieurs heures d'entraînement », a déclaré Pavlichenko. « Nos projets de recherche futurs consistent à amener le modèle appris dans le monde réel, en atteignant des performances similaires sur un vrai robot. Cela est généralement assez difficile, nous pensons donc qu'une étape d'apprentissage supplémentaire, maintenant en ligne sur le robot réel, pourrait être nécessaire pour combler l'écart entre la simulation et la réalité ».

© 2023 Science X Network