Des chercheurs de l'université Carnegie Mellon et de Nvidia ont conçu un cadre d’apprentissage baptisé Asap (Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills), destiné à améliorer la coordination et l’agilité des robots humanoïdes. Contrairement aux approches traditionnelles axées principalement sur la locomotion, ce modèle met l’accent sur les mouvements du corps entier, ce qui lui permet d’exécuter des gestes athlétiques complexes.
L’apprentissage repose sur deux étapes. La première consiste à pré-entraîner des politiques de mouvement en simulation, en utilisant des vidéos de mouvements humains. Celles-ci sont ensuite “retargetées”, c’est-à-dire adaptées aux capacités physiques spécifiques du robot, puis intégrées dans un module de suivi du mouvement. La seconde phase vise à corriger les écarts entre la simulation et la réalité, en testant le robot dans des conditions réelles et en collectant des données sur les différences observées.
Un modèle correctif pour ajuster les mouvements
L’un des problèmes récurrents dans la robotique humanoïde est le "dynamics mismatch", l’écart entre le monde physique simulé et la physique réelle. Cet écart entraîne souvent des mouvements rigides ou imprécis, car les robots ne réagissent pas toujours comme prévu lorsqu’ils appliquent en conditions réelles les modèles développés en simulation.
Pour compenser ces différences, les chercheurs ont mis au point un "delta action model", un modèle correctif qui ajuste dynamiquement les actions du robot en fonction des données collectées dans le monde réel. En appliquant cette correction, les erreurs de suivi du mouvement ont été réduites de 52,7 %, permettant une exécution plus fidèle des gestes observés chez les athlètes.
L’expérimentation a été réalisée avec un robot humanoïde du laboratoire LeCar de Carnegie Mellon, qui a reproduit plusieurs mouvements de sportifs célèbres, dont le "Siuuu" de Cristiano Ronaldo, avec un saut et une rotation en l’air, le “fadeaway” de Kobe Bryant, nécessitant un parfait contrôle de l’équilibre, et le "Silencer" de LeBron James, basé sur un jeu de bras et une gestion précise du centre de gravité. En plus de ces mouvements, le robot est capable d’exécuter des sauts de plus d’un mètre, en avant et de côté.
Des performances encore limitées mais en progression
Malgré ces avancées, les performances du robot restent limitées par son matériel et son nombre réduit d’articulations, ce qui le rend moins expressif qu’un corps humain. Par ailleurs, l’entraînement repose sur des systèmes de capture de mouvement, une contrainte technique qui pourrait être levée avec l’ajout de capteurs et caméras embarqués permettant un apprentissage plus autonome.
Les chercheurs travaillent également sur l’amélioration des systèmes de contrôle pour protéger le robot contre les chocs et l’usure mécanique. À terme, des ajustements sur les méthodes d’apprentissage pourraient également permettre une adaptation plus rapide aux nouvelles tâches, avec moins de données nécessaires pour l’entraînement.
Vers des robots humanoïdes plus agiles
Avec ces améliorations, les robots humanoïdes pourraient bientôt être capables d’exécuter des mouvements plus complexes avec une fluidité accrue. Cette avancée ouvre des perspectives dans plusieurs domaines, notamment le sport, le divertissement et l’assistance physique, où des robots pourraient être utilisés pour la rééducation ou l’apprentissage de gestes techniques.
Si ces robots sont encore loin d’égaler les performances des athlètes humains, les progrès réalisés grâce au modèle Asap montrent qu’il est possible de réduire l’écart entre la simulation et la réalité, rapprochant ainsi la robotique humanoïde d’une plus grande autonomie et d’une meilleure expressivité dans ses mouvements.
Pour en savoir plus :
- Tairan He et al., ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills, Arxiv, 2025
- Interesting Engineering