Pour fonctionner efficacement dans les environnements urbains, les robots mobiles doivent pouvoir se déplacer en toute sécurité sur les trottoirs. Ils doivent ainsi éviter les collisions avec les piétons ou autres obstacles. Cela est particulièrement vrai pour les robots de livraison ou les systèmes qui sont spécifiquement programmés pour patrouiller dans les environnements urbains. Raison pour laquelle, des chercheurs de la Georgia Institute of Technology et de l’université de Stanford viennent de mettre au point AlienGo.
Il s’agit d’un robot quadrupède capable de suivre des itinéraires spécifiques générés par des services de cartographie publics. Un robot capable de circuler sur les trottoirs tout en évitant les collisions avec des obstacles ou des humains. Ce robot est basé sur un nouveau cadre d’apprentissage en deux étapes, très performant, pour une navigation sûre.
« Dans le cadre de ce projet, nous avons développé un robot quadrupède intelligent. Un robot capable de naviguer sur les trottoirs dans le monde réel », a déclaré Sehoon Ha, l’un des chercheurs ayant réalisé l’étude. Notre travail s’inspire de deux tiges des travaux existants : la conduite autonome et la navigation robotisée en intérieur.
Un apprentissage en haute définition
Dans un premier temps, l’équipe a entraîné un réseau neuronal artificiel (expert) à naviguer dans des environnements de trottoirs simples lors de simulations. Formé à l’aide d’un simulateur de monde saillant à grande vitesse, il a ainsi eu accès à l’état dit « privilégié » de la simulation.
Par la suite, ce réseau « expert » a transféré le comportement qu’il a appris à un algorithme « élève » dans une simulation haute-fidélité. En fin de compte, ce dernier a produit des observations réalistes de capteurs. Des observations qui ressemblaient à des images de trottoirs du monde réel.
« L’élève utilise un réseau sémantique personnalisé pour générer des abstractions. Des abstractions utilisées ensuite pour contrôler le robot », explique Maks Sorokin, un autre chercheur impliqué dans l’étude.
En utilisant le cadre d’apprentissage en deux étapes qu’ils ont développées, Ha, Sorokin et leurs collègues ont pu atteindre une politique efficace en utilisant des informations « privilégiées » en simulation. Ils ont pu, par la suite, transférer les comportements acquis par le cadre à un vrai robot à quatre pattes. Lorsque l’équipe a évalué le cadre, elle a constaté qu’il était plus performant que d’autres modèles de pointe. Ils ont ensuite également testé leur cadre dans un contexte réel. Ils l’ont ensuite appliqué au robot AlienGo alors qu’il naviguait sur les trottoirs d’Atlanta.
AlienGo : encore de nombreux défis à relever
À l’avenir, ce robot quadrupède servira à accomplir diverses tâches. Des travaux comme la livraison de colis ou la surveillance d’environnements urbains. En outre, le cadre qu’ils ont développé pourrait être appliqué à d’autres robots mobiles existants ou émergents. L’objectif étant d’améliorer leur capacité à se déplacer sur les trottoirs.
« Bien que nous ayons fait beaucoup de progrès dans le transfert de la simulation au réel pour la navigation, il reste encore de nombreux défis à relever », a déclaré M. Sorokin. Certains des défis liés à la navigation que nous devons encore surmonter comprennent la traversée de routes. La manipulation d’obstacles dynamiques et l’interaction avec des objets du monde réel et des humains sont aussi des défis importants. Cependant, notre approche ne se limite pas à la navigation. Elle pourrait potentiellement être appliquée dans de nombreuses applications robotiques, telles que la manipulation, la locomotion et autres. Nous sommes impatients de voir ses applications dans des domaines de recherche adjacents.
- Partager l'article :
