Des chercheurs du monde entier forment maintenant des agents robotiques pour aider les humains dans diverses tâches manuelles, y compris la cuisine et les objets en mouvement. Alors que beaucoup de ces robots ont obtenu des résultats prometteurs, la plupart d'entre eux sont encore incapables d'accomplir les tâches qui leur sont confiées aussi rapidement qu'un être humain le ferait.

Par exemple, la plupart des robots entraînés à récupérer des objets et à les transporter jusqu'aux humains sont plutôt lents à répondre aux demandes des utilisateurs, ce qui les rend difficiles à déployer à grande échelle. C'est principalement parce que la formation d'agents artificiels sur des tâches de manipulation peut être très difficile, comme ces tâches ont tendance à impliquer à la fois la perception et la planification, qui, ensemble, peuvent empêcher les collisions lorsque le robot se déplace dans son environnement environnant.

Des chercheurs du Korea Advanced Institute of Science and Technology (KAIST) ont récemment créé M-Hubo, un robot humanoïde à roues qui effectue des tâches quotidiennes simples plus rapidement que les autres robots développés précédemment. Le nouveau robot, présenté dans un article prépublié sur arXiv, peut s'avérer particulièrement utile pour aider les personnes âgées et les personnes qui ont du mal à se déplacer dans la maison ou à effectuer des tâches de base de manière autonome.

"Nous avons développé un nouveau, système de majordome robotisé entièrement autonome pour un humanoïde à roues, " les chercheurs ont écrit dans leur article. " Dans ce travail, nous nous concentrons sur une application particulière pour le robot de service :aller chercher et servir des boissons à des vitesses comparables à celles d'un être humain dans un environnement intérieur statique. »

Pour récupérer avec succès un objet donné et le remettre à un utilisateur humain, les robots de service doivent d'abord être capables de détecter ce qui se passe dans leur environnement en temps réel, générer des trajectoires de mouvement qui empêchent les collisions avec des objets proches. Cela peut être très difficile à réaliser, en particulier dans les situations où l'environnement est dynamique (c'est-à-dire, en constante évolution) ou lorsque sa structure est inconnue du robot.

Pour relever ce défi, le groupe de recherche de KAIST a développé une nouvelle stratégie de conception qui implique l'intégration d'un pipeline de détection d'objets en 3D avec un planificateur de manipulation cinématiquement optimal. Cette stratégie unique s'est avérée réduire le temps nécessaire au robot M-Hubo pour aller chercher une boisson pour un utilisateur humain, augmenter la vitesse à laquelle il traite les informations sur son environnement et les trajectoires prévues.

"Le système proposé fonctionnait à 24% de la vitesse dont un humain a besoin pour accomplir la même tâche, " les chercheurs ont écrit dans leur article. " Le système a démontré un taux de réussite élevé de 90 pour cent dans notre configuration d'environnement, mais reflétait une performance réduite de 80 % de taux de réussite dans une exposition publique plus dynamique en raison des variations environnementales pendant la durée d'exécution. »

Les chercheurs de KAIST ont récemment évalué et présenté leur système de majordome robotique lors d'une exposition publique. À l'avenir, la stratégie de conception au cœur de M-Hubo pourrait éclairer le développement de nouveaux robots de service capables d'effectuer des tâches simples plus rapidement et plus efficacement. En outre, une fois qu'il est parfait, M-Hubo pourrait s'avérer être un outil particulièrement utile pour apporter une aide de base aux personnes âgées, ainsi que d'autres personnes à mobilité réduite.

Dans leurs prochaines études, les chercheurs souhaitent ajouter un composant de localisation au robot, car cela lui permettrait de récupérer des objets rapidement dans des environnements statiques et dynamiques. Pour y parvenir, ils auraient besoin d'équiper le robot d'un outil de planification dynamique de trajectoire et d'un planificateur de tâches de haut niveau, en remplaçant la machine à états finis simple (FSM) qu'ils utilisaient dans la version de démonstration de M-Hubo.

"En outre, des stratégies d'apprentissage pourraient être utilisées à l'avenir pour réduire les échecs, incertitudes, et les états dangereux, pour finalement augmenter le taux de réussite, " les chercheurs ont écrit. " Enfin, le temps d'exécution global peut être encore réduit, même dans des environnements dynamiques, en incorporant des planificateurs de mouvement d'échantillonnage plus rapides."

© 2020 Réseau Science X