Locomotion en environnement complexe – LOCO3D

L'objectif de Loco3D est de bâtir une méthodologie pour exécuter des tâches de locomotion avec un robot humanoïde à haute performance dans un environement complexe ``3D'' variant de manière dynamique. Planifier, adapter et exécuter des motifs de locomotion multi-contact (3D) est un des verrous principaux qui empêchent le déploiement de robots humanoïdes et autres marcheurs dans des environnements industriels non conventionnels, comme les chaînes de production des Airbus A350 et A380 à Toulouse, ou le développement d'exosquelettes pour la réhabilitation de patients paraplégiques et, au-delà, l'utilisation des humanoïdes dans des environnements quotidiens, bureaux, hôpitaux ou domestiques.

Pour atteindre cet objectif, le projet est divisé en deux phases. Dans un premier temps, le travail sera construit sur des approches scientifiques matures, pour construire un premier démonstrateur, dont les limitations (déjà identifées) serviront de tremplin à la seconde phase. Nous proposons alors une approche en rupture, qui présente le potentiel d'étendre les résultats de la première phase à des environnements quelconques, dynamiques et incertains. La seconde phase a aussi pour objectif d'ouvrir les thèmes de recherche de notre équipe vers l'apprentissage automatique.

Considèrons un environnement statique et connu, non plan ``3D''. La difficulté de la locomotion en environnement complexe a été mis en évidence par le récent DARPA Robotics Challenge, où aucune équipe n'a été capable de démontrer des capacités de locomotion 3D alors qu'elle aurait été un avantage certain. Nous proposons de capitaliser sur des outils matures développés dans notre équipe (dont le premier planificateur de contact temps réel et le premier générateur de motif de locomotion 3D temps-réel) pour construire dans la première année du projet un démonstrateur complet, qui constituerait une première mondiale.

Cette première phase se limitera à de la locomotion lente (quasi-statique). Les modèles sur lesquels elle repose ne sont en effet pas capables d'appréhender des mouvements rapides. Nous pourrions ensuite chercher à étendre les heuristiques et les modèles dédiés sous-jacents vers un mode de locomotion plus performant. Mais cela exigerait à nouveau un temps de développement long, pour des capacités de généralisation toujours aussi réduite (par exemple, un planificateur de marche dynamique ne sera pas capable de ramper). Nous proposons plutôt d'étudier une méthode pour synthétiser automatiquement de tels modèles dédiés.

L'état de l'art permet aujourd'hui de générer automatiquement un mouvement efficace pour n'importe quel système dynamique, à condition de ne pas s'interesser au temps de calcul. Le problème de génération devient beaucoup plus complexe en considérant les contraintes strictes de temps de calcul imposées par l'exécution sur un robot réel. Nous proposons alors logiquement de recourir à du pré-calcul. Toutefois, la taille d'un stockage naïf que cela impliquerait n'est pas raisonnable. La second partie du projet consiste en fait à reformuler le problème de la géneration de mouvement en robotique comme un problème de mégadonnées, dont la question principale est de réduire la taille du stockage d'un tel jeu de données. Nous proposons une formulation originale de cette question, comme un problème de contrôle optimal inverse étendu.

Le projet est fondé sur un scénario applicatif de locomotion en environement 3D, consolidé par des besoins exprimés par des industriels avec qui nous collaborons. Néanmoins, la seconde et principale partie est génerique dans son approche, et pourra s'appliquer de la même manière à d'autres types de robots. Nous démontrerons la pertinence de l'approche par la réalisation de deux démonstrateurs successifs d'une part sur le nouveau robot haute performance de l'équipe Gepetto, et d'autre part en simulation avec d'autres types de systèmes, notamment les manipulateurs aériens dont notre laboratoire est en train de s'équiper.