Pour entraîner les robots à exécuter des mouvements agiles et précis, comme des mains courantes ou des roulades arrière, les méthodes d’intelligence artificielle (IA) se révèlent particulièrement efficaces. Toutefois, lorsque l’on souhaite que le robot maîtrise plusieurs tâches complexes — par exemple, effectuer une roulade arrière puis passer en position de mains courantes — la situation devient bien plus délicate. « Nous voulons souvent entraîner nos robots à combiner des compétences existantes pour créer de nouvelles performances », explique Ian Abraham, professeur adjoint en génie mécanique. « Malheureusement, les modèles d’IA conçus pour apprendre des compétences complexes sur plusieurs tâches présentent souvent des performances inférieures à celles obtenues en entraînant chaque tâche individuellement. » Pour relever ce défi, l’équipe de recherche d’Abraham s’appuie sur des méthodes issues de la théorie du contrôle optimal, une approche mathématique visant à optimiser les mouvements des systèmes autonomes. Plus précisément, ils utilisent la théorie du contrôle hybride, qui consiste à déterminer les moments où un système doit passer d’un mode de contrôle à un autre pour accomplir une tâche de manière efficace. Cette recherche a été publiée sur la plateforme préprint arXiv. Un des principaux avantages de cette théorie réside dans sa capacité à combiner différentes méthodes d’apprentissage robotique. Cela inclut l’apprentissage par renforcement, basé sur l’expérience, ou encore l’apprentissage modélisé, où le robot anticipe ses actions en observant son environnement. Le défi réside dans la gestion fluide des transitions entre ces modes, afin que le robot puisse exécuter des mouvements de haute précision sans compromettre sa performance. Dans une démonstration, un robot à forme canine développé par l’équipe d’Abraham parvient à effectuer une roulade contrôlée, illustrant comment la théorie du contrôle hybride permet des transitions fluides entre différentes compétences motrices apprises. « Pensez à la manière dont nous apprenons une nouvelle compétence ou pratiquons un sport », explique Abraham. « Au début, nous devons analyser et prédire les mouvements de notre corps, mais avec l’entraînement, cela devient une mémoire musculaire, et nous n’avons plus besoin de réfléchir constamment. » Dans cette étude, les méthodes de contrôle hybride sont appliquées à un robot canin pour l’entraîner à maintenir son équilibre, puis à effectuer une roulade. L’IA est utilisée pour développer les compétences les plus exigeantes, nécessitant une coordination précise de tout le corps. Ensuite, la théorie du contrôle hybride sert à organiser et synthétiser ces différentes capacités d’apprentissage, permettant ainsi au robot d’acquérir des comportements plus complexes et combinés. L’objectif à long terme est de permettre aux robots d’opérer dans des environnements domestiques ou non structurés. « Si un robot doit apprendre une nouvelle compétence sur le terrain, il pourra puiser dans son répertoire d’approches d’apprentissage, en combinant planification, raisonnement et expérience en situation », affirme Abraham. « Une fois qu’il a acquis un certain niveau de confiance, il pourra alors recourir à des compétences spécifiques pour aller au-delà des tâches de base. »