IEEE Spectrum AI→ original

Les humanoïdes copient le style des pros : planificateur et tracker séparés, test sur 2 robots

Un livre blanc publié sous le logo de Noitom Robotics décrit une approche pour apprendre aux humanoïdes les gestes d'athlètes professionnels dans les sports de balle. Les auteurs séparent un planificateur de haut niveau et un tracker de bas niveau. Les mouvements de référence proviennent de retransmissions télévisées et d'enregistrements de motion capture, puis sont retargetés et corrigés physiquement. Le tracker est entraîné sur des vitesses d'exécution aléatoires, tandis que le planificateur reçoit un adaptateur de vitesse entraîné. La méthode a été testée sur deux plateformes humanoïdes, dont un robot grandeur nature qui a exécuté un service hors laboratoire et sans système de motion capture. • Planification et tracking sont séparés. • Les données viennent de vidéos de retransmissions et de mocap. • Le tracker est entraîné sur des vitesses aléatoires. • Test sur deux plateformes.

Traité par IA depuis IEEE Spectrum AI ; édité par Hamidun News
Les humanoïdes copient le style des pros : planificateur et tracker séparés, test sur 2 robots
Source : IEEE Spectrum AI. Collage: Hamidun News.
◐ Écouter l'article

L'équipe à l'origine du livre blanc de Noitom Robotics propose une méthode pour apprendre à un robot humanoïde à se déplacer comme un sportif professionnel, sans perdre en précision d'exécution de la tâche. La méthode a été testée sur deux plateformes humanoïdes. L'une d'elles est de taille réelle et a exécuté un service « dans la nature », sans système de motion capture. C'est la seule vérification dont l'annonce fait état. Le texte intégral est verrouillé derrière un formulaire de téléchargement sur la plateforme Wiley, et la description publique ne contient aucun chiffre.

В чём проблема

En robotique appliquée aux sports de balle, le style et le résultat s'opposent. Si l'on copie les mouvements de l'athlète le plus fidèlement possible, le robot manque souvent sa tâche : ses masses, ses moments, les délais de ses actionneurs et les limites de ses articulations sont différents. Si l'on optimise uniquement la réussite du geste, le mouvement fonctionne, mais ne ressemble pas à celui d'un humain. Les auteurs qualifient ce point de problème ouvert du secteur.

Leur réponse est une séparation architecturale. Le planificateur de haut niveau décide quel mouvement exécuter et à quel moment. Le tracker de bas niveau veille à ce que le corps du robot reproduise physiquement ce mouvement sans tomber.

D'où viennent les références

Les sources de données sont citées explicitement : retransmissions télévisées et enregistrements de motion capture. À partir de la vidéo, les auteurs reconstruisent la pose et la trajectoire, puis les retargetent sur la cinématique de l'humanoïde. Vient ensuite une correction physique, qui supprime ce qui est possible pour un humain mais pas pour un robot : vitesses articulaires irréalistes, perte de contact avec le support, perte d'équilibre. Le résultat est un ensemble de mouvements de référence que le robot peut suivre en toute sécurité.

L'usage des retransmissions réduit nettement le coût de collecte des données. Inutile d'inviter un athlète dans un studio équipé de dizaines de caméras : des matchs d'archives suffisent. La qualité de la reconstruction à partir d'une seule caméra reste en revanche une question, et l'annonce n'y répond pas.

La vitesse comme paramètre de contrôle

La seconde partie du travail concerne le passage de la simulation à la réalité. Les erreurs de tracking s'y accumulent : un léger retard sur un pas de temps décale l'état suivant, et au moment de l'impact, l'écart peut devenir critique. Les auteurs proposent deux étapes :

  • entraîner le tracker sur des vitesses d'exécution aléatoires du mouvement de référence ;
  • ajouter au planificateur un adaptateur de vitesse entraîné, qui ajuste le tempo à l'état courant du robot.

Autrement dit, le temps devient une variable pilotable. Si le robot n'arrive pas à suivre l'étalon, le planificateur ralentit ou accélère la référence, au lieu d'obliger le tracker à rattraper son retard coûte que coûte.

Что известно о проверке

  • Plateformes : deux humanoïdes.
  • L'une d'elles est de taille réelle.
  • Tâche : un service, exécuté hors du laboratoire.
  • Aucun système de motion capture n'a été utilisé pendant l'essai.
  • Les métriques quantitatives (précision du tir, fréquence des chutes, erreur de tracking) ne sont pas divulguées dans la partie publique.

Как читать этот материал

Il s'agit de la page marketing d'un livre blanc, et non d'un article évalué par les pairs : elle ne permet pas de juger le résultat. Il faudrait des chiffres précis : de combien l'adaptateur de vitesse réduit l'erreur par rapport à un tracker entraîné à tempo fixe, et combien de tentatives sur cent aboutissent à un service réussi.

Si vous concevez le contrôle d'humanoïdes, l'idée de découplage est la plus utile à retenir. Vous pouvez la tester chez vous sans matériel externe : faites tourner un tracker en simulation à différentes vitesses de référence et observez comment l'erreur augmente. Si la hausse est brutale, la randomisation de la vitesse à l'entraînement apportera un gain rapide. Avant d'inscrire la méthode dans votre plan de développement, téléchargez le document et confrontez les affirmations aux tableaux de résultats.

ZK
Hamidun News
Actualités IA sans bruit. Sélection éditoriale quotidienne de plus de 50 sources. Produit de Zhemal Khamidun, Head of AI chez Alpina Digital.
✦ Unified AI Workspace

Access Frontier LLMs & Multimodal AI in One Workspace

Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.

Try NomadNet AI →Launch NomadNet Agent
Qu'en pensez-vous ?
Chargement des commentaires…