Une équipe de l'Université de Californie à Berkeley et de l'Université de Stanford a développé un système d'intelligence artificielle permettant aux robots humanoïdes d'acquérir et de combiner des mouvements complexes. Grâce à cette technologie, une machine a réussi à courir, à donner des coups de pied tournants et à effectuer des saltos mortaux aériens.
Le système s'appelle BeyondMimic et a été présenté dans une étude publiée dans la revue Science Robotics. La recherche vise à surmonter une limitation courante : chaque action nécessite une programmation et un entraînement spécifiques.
Pour éviter cette limitation, les chercheurs ont rassemblé environ 2,5 heures de mouvements humains, notamment des marches, des courses, des sauts, des danses, des coups de pied d'arts martiaux et des saltos latéraux.
À partir de ces données, le programme a appris à transférer les actions vers le G1, un modèle de robot. Le processus a nécessité l'adaptation de chaque mouvement aux caractéristiques de la machine, telles que le poids de sa structure, ses articulations et la capacité de ses moteurs.
Ainsi, le robot ne se contente pas de reproduire une séquence exacte. Le système vise à ce qu'il puisse utiliser les mouvements appris dans différentes situations et passer d'une action à l'autre sans que les chercheurs aient besoin de l'entraîner à nouveau pour chaque tâche.
Adaptation des mouvements humains au corps du robot
L'équipe a utilisé l'apprentissage par renforcement, une technique par laquelle un algorithme reçoit des récompenses ou des pénalités en fonction du résultat de ses décisions. Dans ce cas, le contrôleur a été récompensé lorsqu'il réussissait à se rapprocher des positions, vitesses et orientations présentes dans les démonstrations humaines.
Parallèlement, l'entraînement a appliqué des punitions lorsque le robot générait des mouvements brusques, atteignait des angles d'articulation risqués ou produisait des contacts indésirables entre les parties de sa structure. Ainsi, le système devait trouver des moyens physiquement viables de reproduire une action et de maintenir l'équilibre.
Selon les auteurs, la méthode a permis à un même schéma d'entraînement de maîtriser des comportements très différents. Le G1 a pu exécuter des courses, des coups de pied avec rotation, des sauts, des postures d'équilibre, des mouvements de danse, des déplacements à quatre appuis et des saltos mortaux latéraux aériens.
La différence avec d'autres travaux réside dans le fait que les modèles précédents nécessitaient généralement un contrôleur spécifique pour chaque objectif. Si une machine avait été entraînée à marcher, par exemple, elle ne pouvait pas nécessairement passer à la course, esquiver un obstacle ou répondre à un contrôle manuel sans ajustements supplémentaires. BeyondMimic cherche à réduire cette dépendance aux entraînements séparés.
Un modèle résume les mouvements et les combine selon la tâche
La deuxième partie de BeyondMimic utilise un autoencodeur variationnel, un modèle qui réduit une information complexe en une version plus simple. Dans ce cas, il prend les mouvements appris par le robot et les organise dans une représentation interne qui conserve les données nécessaires pour les exécuter.
Cette représentation réunit la relation entre la position du corps, la vitesse et l'équilibre. Ensuite, un autre composant du système la traduit en ordres concrets pour les moteurs du robot.
Avec cette base, les chercheurs ont entraîné un modèle de diffusion. Pendant l'entraînement, le système a reçu des séquences combinant l'état physique prévu du robot avec l'information résumée de chaque mouvement. Les données étaient altérées par du bruit et le modèle devait reconstruire la séquence originale.
Ce processus lui a permis d'apprendre comment les actions sont connectées entre elles. Ainsi, il peut générer des mouvements en fonction d'un objectif et non pas seulement répéter les séquences avec lesquelles il a été entraîné.
Les auteurs ont également utilisé une technique de guidage qui oriente le modèle pendant l'exécution. Grâce à celle-ci, BeyondMimic a pu affronter des tâches qui ne faisaient pas partie des données initiales, comme compléter des fragments de mouvement, répondre à un joystick et éviter les obstacles.
Les tests sur le G1 ont confirmé le transfert vers le robot réel
Après avoir validé le système en simulations, les chercheurs ont transféré la technologie vers le robot G1. Pour cela, ils ont sélectionné 30 séquences de mouvement et vérifié si la machine pouvait les exécuter dans des conditions réelles.
Cette étape a permis d'évaluer des facteurs qui ne sont pas toujours reproduits avec exactitude en simulation, comme la friction du sol, les variations dans le fonctionnement des moteurs et les déséquilibres pendant le déplacement.
Outre la mesure de la performance technique, l'équipe a analysé comment les personnes percevaient les mouvements du robot. La test a impliqué 77 volontaires, qui ont comparé les marches et courses générées par BeyondMimic avec celles produites par le contrôleur standard.
70,8% des comparaisons ont indiqué que les mouvements de BeyondMimic semblaient plus naturels et proches des humains. Le résultat indique que le système a généré des trajectoires moins rigides que celles du contrôleur conventionnel.
Prochaines étapes : plus de robots et plus de mouvements
Les humanoïdes pourraient être utilisés dans le futur pour des tâches physiques dans des entrepôts, des usines, des foyers ou des scénarios où la conception pensée pour opérer dans des espaces humains représente un avantage. Pour que cette application soit viable, ils devront agir de manière sûre face à des environnements changeants et exécuter plus qu'un petit catalogue de routines.
L'étude propose une voie pour entraîner des comportements physiques variés à partir de données de mouvement humain et réutiliser ces compétences dans de nouvelles tâches. Les prochains essais pourraient intégrer un ensemble plus large d'actions, des conditions environnementales plus exigeantes et d'autres plateformes robotiques avec des structures différentes de celle du G1.