Robot Hand Manipulates Complex Objects by Touch Alone

En ce qui concerne les caractéristiques humaines dont les robots sont probablement les plus zélés, les doigts doivent être au niveau des yeux et du cerveau. Nos petits doigts charnus ont une incroyable dextérité pour leur taille, et tellement de capteurs intégrés qu’ils vous permettent de manipuler des objets complexes sans que vous les voyiez. Évidemment, ce sont des capacités qu’il serait bon d’avoir dans un robot, surtout si nous voulons qu’elles soient utiles en dehors des usines et des entrepôts.

Il y a deux parties à ce problème : la première est d’avoir des doigts qui peuvent fonctionner comme des doigts humains (ou aussi proches des doigts humains qu’on peut raisonnablement s’y attendre) ; la seconde est d’avoir l’intelligence de faire quelque chose d’utile avec ces doigts.

« Une fois que nous ajouterons également un retour visuel au mélange avec le toucher, nous espérons pouvoir atteindre encore plus de dextérité et commencer un jour à nous rapprocher de la reproduction de la main humaine. »
– Matei Ciocarlie, Université Columbia

Dans un article qui vient d’être accepté à la conférence Robotics: Science and Systems 2023, des chercheurs de l’Université de Columbia ont démontré comment entraîner des doigts robotiques pour effectuer une manipulation manuelle adroite d’objets complexes sans les faire tomber. De plus, la manipulation s’effectue entièrement au toucher, la vision n’est pas requise.

Des doigts robotiques manipulent des objets au hasard, un niveau de dextérité que les humains maîtrisent dès leur plus jeune âge.Université de Colombie

Ces doigts légèrement épais contiennent beaucoup de choses pour rendre ce type de manipulation possible. Sous la peau de chaque doigt se trouve une membrane réfléchissante flexible, et sous cette membrane se trouve un réseau de LED ainsi qu’un réseau de photodiodes. Chaque LED s’allume et s’éteint pendant une fraction de milliseconde et les photodiodes enregistrent la réflexion de la lumière de chaque LED sur la membrane interne du doigt. Le schéma de ce réflexe change lorsque la membrane fléchit, ce qui se produit si le doigt est en contact avec quelque chose. Un modèle formé peut corréler ce motif lumineux avec l’emplacement et la largeur des contacts des doigts.

Alors maintenant que vous avez des doigts qui savent quoi jouer, ils doivent aussi savoir comment jouer quelque chose afin de le manipuler comme vous le souhaitez sans le faire tomber. Certains objets sont compatibles avec les robots lorsqu’il s’agit de manipulation, et d’autres sont hostiles aux robots, tels que les objets aux formes complexes et aux concavités (L soit toi formes, par exemple). Et avec un nombre limité de doigts, faire de la manipulation à la main est souvent en contradiction avec le fait de s’assurer que l’objet reste dans une prise stable. Il s’agit d’une compétence appelée « marche des doigts » et cela demande de la pratique. Ou, dans ce cas, un apprentissage par renforcement est nécessaire (ce qui, je suppose, pourrait être considéré comme la même chose). L’astuce utilisée par les chercheurs consiste à combiner des méthodes basées sur l’échantillonnage (qui trouvent des trajectoires entre des états initiaux et finaux connus) avec un apprentissage par renforcement pour développer une politique de contrôle entraînée à l’échelle de l’espace d’état.

Bien que cette méthode fonctionne bien, toute la non-vision est en quelque sorte une restriction artificielle. Cela ne veut pas dire que la capacité de manipuler des objets dans l’obscurité ou le désordre n’est pas très importante, c’est juste que la vision a encore plus de potentiel, déclare Matei Ciocarlie de Columbia : « Une fois que nous ajoutons également un retour visuel au mélange, nous J’espère pouvoir atteindre encore plus de dextérité et commencer un jour à se rapprocher de la reproduction de la main humaine.

« L’exploration basée sur l’échantillonnage pour l’apprentissage par renforcement de la manipulation habile », par Gagan Khandate, Siqi Shang, Eric T. Chang, Tristan Luca Saidi, Johnson Adams et Matei Ciocarlie de l’Université de Columbia, est acceptée dans RSS 2023.