L’ETH Zurich fait grimper un robot Unitree sans entraînement par tâche
Un robot Unitree G1 grimpe, rampe et se relève grâce à une méthode de l’ETH Zurich. Succès de 92,5 % en simulation : ce que cela prouve, et ce qui reste à voir.
Grimper à une échelle, ramper, franchir un obstacle, se relever après une chute : un robot humanoïde enchaîne ces gestes sans qu’on lui apprenne chacun séparément. Des chercheurs de l’École polytechnique fédérale de Zurich (ETH Zurich) en font la démonstration, selon ZDNet France. Reste à savoir ce que ce résultat prouve vraiment : un robot plus polyvalent en laboratoire n’est pas encore un robot prêt pour l’usine ou le bureau.
Ce que l’ETH Zurich a présenté
En jeu : le coût de chaque nouvelle compétence. Aujourd’hui, apprendre un geste à un robot demande souvent de concevoir une stratégie de contrôle à part, ce qui prend du temps et de l’argent.
ZDNet France rappelle que grimper à une échelle, franchir des obstacles, ramper ou se relever après une chute « nécessitent habituellement des stratégies de contrôle distinctes ». L’équipe zurichoise propose une autre voie : gérer toutes ces situations à partir d’un seul processus d’apprentissage.
La méthode a été essayée sur le G1, un robot humanoïde du constructeur chinois Unitree. D’après la source, il a réussi à monter des échelles et des escaliers, à progresser sur des pierres, à ramper dans des passages étroits, à franchir des obstacles et à se relever après une chute.
En clair : au lieu d’un robot qui possède une « boîte à outils » de gestes séparés, les chercheurs visent un robot qui improvise son mouvement selon ce qu’il a devant lui.
Apprendre où poser ses appuis, pas quels gestes enchaîner
En jeu : comprendre pourquoi cette approche est différente. Le principe, selon ZDNet France, est d’apprendre au robot où placer ses différentes parties du corps, plutôt que de lui imposer une succession de mouvements prédéfinis.
Une image aide à saisir l’idée (elle est de nous, pas de la source). Suivre un itinéraire écrit à l’avance, c’est répéter des gestes appris par cœur. Regarder une paroi et choisir où mettre ses mains et ses pieds, c’est ce que fait un grimpeur : le même réflexe sert sur une échelle, un muret ou un rocher.
La méthode s’appelle Attention-based Contact Planning, ou ACP (planification des contacts fondée sur l’attention). Elle repose sur un réseau neuronal, un programme d’IA qui apprend à partir d’exemples. Il est doté d’un « mécanisme d’attention », qui lui permet de donner plus de poids aux informations utiles à un moment donné.
Le système regarde en même temps :
- le terrain ;
- la position du robot ;
- la vitesse de ses articulations ;
- l’objectif à atteindre.
Il peut mobiliser neuf points d’appui : les mains, les coudes, les genoux, les pieds et le bassin. Pour une échelle, l’IA décide où poser les mains et les pieds. Un contrôleur distinct, c’est-à-dire un second programme chargé de l’exécution, ajuste ensuite les articulations, les bras, les jambes et le torse pour réaliser le mouvement sans perdre l’équilibre.
Cette architecture combine deux techniques d’apprentissage. La première est l’apprentissage par renforcement : le robot essaie, et reçoit une récompense quand il se rapproche du but. La seconde est l’imitation de mouvements, où il s’inspire de gestes de référence. Résultat, selon la source : le robot adapte sa posture aux obstacles rencontrés, sans séquence spécifique à apprendre pour chaque configuration.
En clair : l’IA choisit les appuis, un autre module fait bouger le corps. Cette séparation des rôles est le cœur de la proposition.
Un capteur laser pour repérer les barreaux
En jeu : un robot qui choisit ses appuis doit voir le terrain avec précision. Pour fonctionner hors simulation, la méthode s’appuie sur un système de cartographie par LiDAR développé par les chercheurs. Un LiDAR est un capteur qui mesure les distances avec des faisceaux laser, et en déduit le relief.
D’après ZDNet France, ce système transforme les mesures en une représentation du relief et évalue la fiabilité des données recueillies. Il peut ainsi détecter des surfaces complexes, comme les barreaux étroits d’une échelle.
Le calcul est assuré par un module NVIDIA Jetson Orin NX, un petit ordinateur embarqué conçu pour l’IA. Selon l’équipe, il analyse environ 20 000 points LiDAR en 30 millisecondes, soit trois centièmes de seconde. La carte est mise à jour à 10 Hz, c’est-à-dire dix fois par seconde.
Cette perception permet au robot de choisir ses appuis selon son environnement immédiat, plutôt que de suivre une trajectoire entièrement calculée à l’avance.
En clair : le robot lit le terrain en continu et décide au fur et à mesure, ce qui compte quand les barreaux sont étroits.
92,5 % en simulation : ce que le chiffre dit, et ce qu’il ne dit pas
En jeu : savoir si le résultat est déjà solide. La source donne un chiffre clé : sur huit parcours d’obstacles complexes, la méthode ACP affiche un taux de réussite moyen de 92,5 %. Une méthode de référence, appelée MGMT et fondée sur la génération et le suivi de mouvements, obtient 58,8 %. Autrement dit, ACP réussit environ neuf parcours sur dix là où la méthode concurrente en réussit un peu moins de six sur dix.
ZDNet France précise toutefois que ces chiffres « doivent être relativisés » : ils proviennent de simulations. Ils ne correspondent pas à un taux de réussite mesuré dans le monde réel. Un monde virtuel est plus propre et plus prévisible qu’une échelle un peu bancale ou un sol glissant.
L’article ne détaille pas non plus :
- combien d’essais réels ont été réalisés ;
- avec quel taux d’échec ;
- dans quelles conditions de lumière, de sol ou de fatigue des moteurs.
Ces éléments manquent dans la source. On ne peut donc pas en déduire que le robot réussirait aussi bien hors du laboratoire.
Une recherche suisse sur un robot chinois : quel rapport de force ?
En jeu : la place de l’Europe dans la course aux robots humanoïdes. Un détail frappe : la recherche vient d’une université suisse, mais le robot utilisé est un G1 du constructeur chinois Unitree. Le matériel et la méthode sont donc de deux origines différentes.
Cela peut se lire de plusieurs façons, et la source ne tranche pas. D’un côté, une méthode d’apprentissage n’est pas liée à une machine : si elle fonctionne sur un robot du commerce, d’autres équipes pourraient en théorie l’essayer. De l’autre, l’article ne dit rien d’un brevet, d’une entreprise ou d’un partenariat industriel. On ne sait donc pas si l’ETH Zurich cherche à imposer sa méthode ou simplement à la publier.
Il faut aussi rester prudent sur l’idée d’une « course » entre Chine et États-Unis : ZDNet France ne la documente pas dans cet article. Ce que la source établit, c’est une avancée de laboratoire, pas un classement des pays.
Pour juger de la portée réelle de ce travail, voici ce qu’on peut observer dans les prochains mois :
- des résultats mesurés sur de vrais robots, avec un nombre d’essais et un taux d’échec ;
- la même méthode testée sur d’autres robots que le G1 ;
- des tâches utiles hors laboratoire, comme porter une charge ou travailler au contact de personnes ;
- l’annonce éventuelle d’un produit ou d’un déploiement, absente de la source aujourd’hui.
La vraie question reste ouverte : une méthode qui apprend « où poser ses appuis » suffit-elle à rendre un robot fiable un jour de pluie, sur une échelle qu’il n’a jamais vue ?
