Un chien robot apprend à marcher en seulement une heure en analysant les mouvements des animaux

Un Chien Robot Apprend à Marcher En Seulement Une Heure

Un bébé girafe, comme les autres animaux sauvages quadrupèdes, doit apprendre à marcher sur ses pattes le plus rapidement possible pour éviter les prédateurs. Cependant, maîtriser la coordination précise des muscles et des tendons des jambes prend du temps.

Un chien robot apprend a marcher en seulement une heure
Bébé girafe apprend à se tenir en équilibre sur ses pattes et à marcher. Image : Mary Ann McDonald –

Ils naissent avec des réseaux de coordination musculaire dotés de fils rigides situés dans leur moelle épinière dont ils dépendent pour se tenir debout et se déplacer grâce à des réflexes neuronaux.

Bien qu’un peu plus basiques, les réflexes de contrôle moteur aident un chiot à éviter de tomber et de se blesser lors de ses premières tentatives de marche. Ensuite, un contrôle musculaire plus poussé et plus précis est pratiqué, jusqu’à ce que le système nerveux soit bien adapté aux muscles et aux tendons des pattes de l’animal afin qu’il puisse suivre le rythme des adultes.

Des chercheurs de l’Institut Max Planck pour les systèmes intelligents (MPI-IS) à Stuttgart, en Allemagne, ont mené une étude (publiée dans la revue Intelligence des machines naturelles) pour découvrir comment les animaux apprennent à marcher et à surmonter les obstacles. Pour cela, ils ont construit un robot à quatre pattes, de la taille d’un chien de taille moyenne, qui les a aidés à comprendre les détails.

Un chien robot apprend a marcher en seulement une heure.webp
Des chercheurs allemands ont développé un chien robot pour comprendre le processus d’apprentissage du mouvement chez les chiots quadrupèdes. Image : Max Planck des systèmes intelligents (MPI-IS)

« En tant qu’ingénieurs et professionnels de la robotique, nous cherchons la réponse en construisant un robot qui réfléchit comme un animal et apprend de ses erreurs », a déclaré Felix Ruppert, ancien doctorant du groupe de recherche sur la locomotion dynamique du MPI-IS, dans un communiqué. « Si un animal trébuche, est-ce une erreur ? Pas si ça arrive une fois. Mais s’il trébuche souvent, cela nous donne une mesure de la façon dont le robot marche.

Un algorithme d’apprentissage optimise la moelle épinière virtuelle d’un chien robot

Un algorithme d’optimisation bayésien pilote l’apprentissage automatique : les informations mesurées par le capteur de pied sont combinées avec les données cibles de la moelle épinière virtuelle modélisée fonctionnant comme un programme sur l’ordinateur du robot. Il apprend à marcher en comparant en permanence les informations envoyées et reçues du capteur, en exécutant boucles réflexes et en adaptant leurs schémas de contrôle moteur.

L’algorithme d’apprentissage adapte les paramètres de contrôle d’un Central Pattern Generator (CPG). Chez les humains et les animaux, ces générateurs de motifs centraux sont des réseaux de neurones dans la moelle épinière qui produisent des contractions musculaires périodiques sans intervention du cerveau.

Les réseaux de générateurs de motifs centraux aident à générer des tâches rythmiques telles que la marche, le clignement des yeux ou la digestion. De plus, les réflexes sont des actions de contrôle moteur involontaires déclenchées par des voies neuronales codées qui relient les capteurs de la jambe à la moelle épinière.

Comme le jeune animal marche sur une surface parfaitement plane, les CPG peuvent être suffisants pour contrôler les signaux de mouvement de la moelle épinière. Une petite bosse au sol change cependant la marche. Les réflexes se déclenchent et ajustent les schémas de mouvement pour empêcher l’animal de tomber.

Ces changements momentanés des signaux de mouvement sont réversibles, ou « élastiques », et les schémas de mouvement reviennent à leur configuration d’origine après la perturbation. Mais si l’animal n’arrête pas de trébucher à travers de nombreux cycles de mouvement – malgré des réflexes actifs – alors les schémas de mouvement doivent être réparés et rendus « plastiques », c’est-à-dire irréversibles.

1658268729 344 Un chien robot apprend a marcher en seulement une heure
Morti, le chien robot créé pour comprendre le processus d’apprentissage de la locomotion des chiots animaux quadrupèdes. Image : Max Planck des systèmes intelligents (MPI-IS)

Chez l’animal nouveau-né, les CPG ne sont initialement pas encore assez ajustés et l’animal trébuche, à la fois sur un terrain plat et accidenté. L’animal, cependant, apprend rapidement comment ses CPG et ses réflexes contrôlent les muscles et les tendons des pattes.

Il en va de même pour le chien robot appelé « Morti », qui, en plus, optimise ses schémas de déplacement plus rapidement qu’un animal, en une heure environ. Votre CPG est simulé sur un petit ordinateur léger qui contrôle le mouvement de vos jambes.

La moelle épinière virtuelle est placée sur le robot quadrupède là où se trouverait la tête. Pendant l’heure qu’il faut au robot pour marcher en douceur, les données de son capteur de pied sont continuellement comparées au trébuchement attendu prédit par le CPG.

Si cela se produit, l’algorithme d’apprentissage modifie la distance et la vitesse à laquelle les jambes se balancent d’avant en arrière et mesure combien de temps il reste au sol. Le mouvement ajusté affecte également la façon dont le robot peut utiliser sa mécanique de jambe compatible. Pendant le processus d’apprentissage, le CPG envoie des signaux motorisés adaptés pour que le robot commence à moins trébucher et optimise sa marche.

Dans cette structure, la moelle épinière virtuelle n’a aucune connaissance explicite sur la conception des jambes du robot, ses moteurs et ses ressorts. Ne connaissant rien à la physique de la machine, il manque un robot « modèle ».

« Notre robot est pratiquement ‘né’ en ne sachant rien de ses jambes autonomes ni de leur fonctionnement », explique Ruppert. « Le CPG ressemble à une intelligence de marche automatique intégrée que la nature fournit et que nous transférons au robot. L’ordinateur produit des signaux qui contrôlent les moteurs des jambes, et le robot marche et trébuche initialement. Les données remontent des capteurs vers la moelle épinière virtuelle, où les données des capteurs et du CPG sont comparées. Si les données du capteur ne correspondent pas aux données attendues, l’algorithme d’apprentissage modifie le comportement de marche jusqu’à ce que le robot marche bien sans trébucher. Changer la sortie CPG, garder les réflexes actifs et surveiller les trébuchements du robot, est un élément central du processus d’apprentissage.

La faible consommation d’énergie rend le mécanisme plus viable

Alors que les robots industriels quadrupèdes de fabricants renommés, qui ont appris à fonctionner à l’aide de contrôleurs complexes, sont très gourmands en énergie, l’ordinateur de Morti n’a besoin que de cinq watts pour marcher.

« Nous ne pouvons pas facilement fouiller la moelle épinière d’un animal vivant. Mais nous pouvons en modéliser un sur le robot », déclare Alexander Badri-Spröwitz, co-auteur de l’étude et responsable du Groupe de recherche sur la locomotion dynamique, dans Max Planck. « Nous savons que ces CPG existent chez de nombreux animaux. Et nous savons que les réflexes sont intégrés, mais comment pouvons-nous combiner les deux pour que les animaux apprennent des mouvements avec des réflexes et des CPG ? Il s’agit d’une recherche fondamentale à l’intersection de la robotique et de la biologie. Le modèle robotique nous donne des réponses à des questions auxquelles la biologie seule ne peut répondre.

Avez-vous regardé nos nouvelles vidéos sur Youtube? Abonnez-vous à notre chaîne !