Une équipe de chercheurs australiens a conçu une stratégie fiable pour tester les capacités physiques des robots humanoïdes, des robots qui ressemblent à la forme du corps humain dans leur construction et leur conception. En utilisant un mélange de méthodes et d'algorithmes d'apprentissage automatique, l'équipe de recherche a réussi à permettre aux robots de test de réagir efficacement à des changements inconnus dans l'environnement simulé, améliorer leurs chances de fonctionner dans le monde réel.

Les résultats, qui ont été publiés dans une publication conjointe de l'IEEE et de la Chinese Association of Automation Journal d'Automatica Sinica en juillet, ont des implications prometteuses dans l'utilisation généralisée des robots humanoïdes dans des domaines tels que la santé, éducation, intervention en cas de catastrophe et divertissement.

"Les robots humanoïdes ont la capacité de se déplacer de plusieurs manières et d'imiter ainsi les mouvements humains pour accomplir des tâches complexes. Pour pouvoir le faire, leur stabilité est essentielle, surtout dans des conditions dynamiques et imprévisibles, " a déclaré l'auteur correspondant Dacheng Tao, Professeur et lauréat ARC à l'École d'informatique et à la Faculté d'ingénierie de l'Université de Sydney.

"Nous avons conçu une méthode qui apprend de manière fiable aux robots humanoïdes à être capables d'effectuer ces tâches, " a ajouté Tao, qui est également le directeur inaugural de l'UBTECH Sydney Artificial Intelligence Centre.

Les robots humanoïdes sont des robots qui ressemblent aux attributs physiques des humains :la tête, un torse, et deux bras et deux pieds et possèdent la capacité de communiquer avec les humains et d'autres robots. Équipé de capteurs et d'autres dispositifs d'entrée, ces robots effectuent également des activités limitées en fonction de l'entrée extérieure.

Ils sont généralement préprogrammés pour des activités spécifiques et reposent sur deux types de méthodes d'apprentissage :basées sur des modèles et sans modèles. Le premier enseigne à un robot un ensemble de modèles qu'il peut utiliser pour se comporter dans un scénario, alors que ce dernier ne le fait pas. Bien que les deux méthodes d'apprentissage aient été couronnées de succès dans une certaine mesure, chaque paradigme à lui seul ne s'est pas avéré suffisant pour équiper un robot humanoïde pour qu'il se comporte dans un scénario du monde réel où l'environnement change constamment et souvent de manière imprévisible.

Pour surmonter cela, Tao et son équipe ont introduit une nouvelle structure d'apprentissage qui intègre des parties d'apprentissage à la fois basé sur un modèle et sans modèle pour équilibrer un bipède, ou à deux pattes, robot. La méthode de contrôle proposée comble le fossé entre les deux paradigmes d'apprentissage, où la transition de l'apprentissage du modèle à l'apprentissage de la procédure proprement dite s'est déroulée en douceur. Les résultats de simulation montrent que l'algorithme proposé est capable de stabiliser le robot sur une plate-forme mobile sous des rotations inconnues. En tant que tel, ces méthodes démontrent que les robots sont capables de s'adapter à différentes situations imprévisibles en conséquence et peuvent donc être appliqués à des robots en dehors de l'environnement de laboratoire.

À l'avenir, les chercheurs espèrent valider leur méthode dans des environnements plus complexes avec des variables plus imprévisibles et changeantes et avec des dimensions variables alors qu'ils testent les capacités des robots à exercer un contrôle complet du corps.

"Notre objectif ultime sera de voir comment notre méthode permet au robot d'avoir le contrôle de tout son corps lorsqu'il est exposé à des perturbations non mesurables et inattendues telles qu'un terrain changeant. Nous aimerions également voir la capacité du robot à apprendre à imiter mouvement humain, tels que le mouvement de l'articulation de la cheville, sans avoir reçu d'informations préalables."