Une nouvelle approche pour reproduire les mouvements humains et animaux dans les robots

Crédit : Bohez et al.

Ces dernières années, les développeurs ont créé une large gamme de robots sophistiqués capables de fonctionner dans des environnements de plus en plus efficaces dans des environnements spécifiques. Le physique de bon nombre de ces systèmes s’inspire de la nature, des animaux et des humains.

Bien que de nombreux robots existants aient des corps qui ressemblent aux corps des humains ou d’autres espèces animales, ils ne sont pas programmés pour se déplacer comme l’animal dont ils s’inspirent. Cela implique généralement le développement de contrôleurs de mouvement avancés, ce qui peut nécessiter des ressources et un développement importants.

Les chercheurs de DeepMind ont récemment développé une nouvelle technique qui peut être utilisée pour entraîner efficacement des robots à répéter les mouvements des humains ou des animaux. Ce nouvel outil, présenté dans un article précédemment publié dans arXivis, s’inspire de travaux antérieurs qui utilisaient des données de mouvements humains et animaux réels collectées à l’aide de la technologie de capture de mouvement.

“Nous explorons l’utilisation des connaissances antérieures sur le mouvement humain et animal pour apprendre les compétences de mouvement réutilisables des robots à pieds réels”, a écrit l’équipe DeepMind dans un article. “Notre approche s’appuie sur des travaux antérieurs visant à imiter les données de capture de mouvement humain ou canin (MoCap) pour apprendre le module de compétences motrices. Une fois le module de compétences appris, il peut être réutilisé pour des tâches ultérieures complexes.”

La plupart des contrôleurs de mouvement de robot développés précédemment ont une conception modulaire, où le système est divisé en différentes parties (c’est-à-dire des modules) qui communiquent entre elles. Bien que certains de ces contrôleurs aient obtenu des résultats prometteurs, leur développement nécessite souvent des efforts d’ingénierie considérables. De plus, les conceptions modulaires sont généralement basées sur les tâches, de sorte qu’elles ne se généralisent pas bien à différentes tâches, situations et environnements.

Comme alternative à ces contrôleurs, certains chercheurs ont proposé une méthode appelée “optimisation de trajectoire” qui combine un planificateur de mouvement avec un contrôleur de suivi. Ces approches nécessitent moins d’ingénierie que les contrôleurs modulaires, mais nécessitent souvent des calculs importants et peuvent être trop lentes à mettre en œuvre en temps réel.

Dans leur article, Steven Bohez et ses collègues de DeepMind ont présenté une approche alternative pour entraîner des robots humanoïdes et à pied à se déplacer d’une manière qui ressemble au mouvement humain et animal. Leur technique résume les habiletés motrices des humains et des animaux sur la base des données recueillies par la technologie de capture de mouvement, puis utilise ces données pour former des robots du monde réel.






En développant leur approche, l’équipe est passée par quatre étapes principales. Tout d’abord, ils ont redirigé les données de capture de mouvement vers des robots du monde réel. Ils ont ensuite développé une politique pour simuler les trajectoires souhaitées dans les données de capture de mouvement dans un environnement simulé.

“Cette politique a une structure hiérarchique dans laquelle la politique de suivi encode la trajectoire de référence souhaitée pour l’activité secrète, qui guide ensuite le contrôleur de bas niveau conditionné par le propriocept”, ont écrit les chercheurs dans leur article.

Après avoir été formés pour émuler les trajectoires de référence de cette politique, les chercheurs ont pu réutiliser le contrôleur de bas niveau avec des paramètres fixes, formant une nouvelle politique de tâche pour émettre des opérations secrètes. Cela permet à leurs contrôleurs de reproduire des mouvements humains ou animaux complexes dans des robots, comme un triblamiste à billes. Enfin, Bohez et ses collègues ont transféré les contrôleurs développés à partir des simulations vers du matériel réel.

“Il est important de noter qu’en raison d’une condition préalable découlant des données de MoCap, notre approche ne nécessite pas de technologie de charge étendue pour créer une apparence raisonnable et naturelle pendant la récupération”, ont écrit les chercheurs dans leur article. “Cela facilite la création de contrôleurs bien régulés et orientés tâche, adaptés à une utilisation dans de vrais robots.”

Jusqu’à présent, l’équipe DeepMind a évalué leur approche dans plusieurs expériences, à la fois dans la simulation et dans l’environnement réel. Dans ces expériences, ils ont utilisé avec succès leur technique pour entraîner le contrôleur à répéter deux comportements principaux, à savoir la marche et la tribulation de la balle. Ils ont ensuite évalué la qualité des mouvements obtenus grâce à leur approche sur deux robots du monde réel : les robots à quatre pattes d’ANYmal et les robots humanoïdes OP3.

Les résultats recueillis par Boheze et ses collègues sont très prometteurs, suggérant que leur approche pourrait aider à développer des robots qui imitent les humains et les animaux de manière plus réaliste. Dans les études suivantes, ils aimeraient entraîner leurs politiques sur le comportement de nouveaux animaux et humains, puis essayer de les reproduire dans des robots.

“Nous voulons étendre nos ensembles de données avec plusieurs comportements différents et explorer davantage les tâches potentielles en aval à l’aide du module de compétences”, ont écrit les chercheurs dans leur article.


Système de reproduction de différentes habiletés motrices animales dans des robots


Plus d’information:
Steven Bohez et al., Simuler et réutiliser : apprendre les habiletés motrices de robots réutilisables à partir du comportement humain et animal. arXiv : 2203.17138v1 [cs.RO]arxiv.org/abs/2203.17138

Page du projet : https://sites.google.com/view/robot-npmp

© 2022 Réseau Science X

Devis: Une nouvelle approche de reproduction des mouvements humains et animaux dans les robots (5 mai 2022) a été lancée le 5 mai 2022 sur https://techxplore.com/news/2022-05-approach-human-animal-movements-robots. html

Ce document est protégé par le droit d’auteur. Sauf dans le cadre d’une transaction loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans notre autorisation écrite. Le contenu est fourni à titre informatif uniquement.

Leave a Comment