Robot locomotion est le nom collectif pour les différentes méthodes que les robots utilisent pour se transporter d’un endroit à l’autre.

Les robots à roues sont généralement très éconergétiques et faciles à contrôler. Cependant, d’autres formes de locomotion peuvent être plus appropriées pour un certain nombre de raisons, par exemple traverser un terrain accidenté, ainsi que se déplacer et interagir dans des environnements humains. En outre, l’étude de robots bipèdes et de types insectes peut avoir un impact bénéfique sur la biomécanique.

Un objectif majeur dans ce domaine consiste à développer des capacités permettant aux robots de décider de manière autonome comment, quand et où se déplacer. Cependant, il est difficile de coordonner un grand nombre de joints de robot pour des tâches même simples, telles que la négociation d’escaliers. La locomotion des robots autonomes constitue un obstacle technologique majeur dans de nombreux domaines de la robotique, tels que les humanoïdes (comme l’Asimo de Honda).

Types de locomotion

En marchant

Les robots marcheurs simulent le mouvement humain ou animal, en remplacement du mouvement sur roues. Les mouvements à jambes permettent de négocier des surfaces inégales, des marches et d’autres zones difficiles à atteindre pour un robot à roues, ainsi que des dommages moins importants sur le terrain environnemental que les robots à roues qui l’érodent.

Les robots Hexapodes sont basés sur la locomotion d’insectes, le plus communément insecte cafard et bâtonnet, dont la production neurologique et sensorielle est moins complexe que celle des autres animaux. Les jambes multiples permettent plusieurs allures différentes, même si une jambe est endommagée, rendant leurs mouvements plus utiles pour les robots transportant des objets.

Mécanisme de la jambe
Un mécanisme de jambe (mécanisme de marche) est un ensemble de liens et d’articulations (un lien) destiné à simuler le mouvement de marche d’un être humain ou d’un animal. Les jambes mécaniques peuvent avoir un ou plusieurs actionneurs et peuvent effectuer des mouvements simples, plans ou complexes.

Par rapport à une roue, un mécanisme de jambe est potentiellement mieux adapté à un terrain accidenté, car il peut franchir des obstacles.

Hexapode
Un robot marcheur à six pattes ne doit pas être confondu avec une plate-forme Stewart, une sorte de manipulateur parallèle utilisé dans les applications robotiques.

Un robot hexapode est un véhicule mécanique qui marche sur six jambes. Puisqu’un robot peut être statiquement stable sur trois jambes ou plus, un robot hexapode a beaucoup de flexibilité dans la façon dont il peut se déplacer. Si les jambes sont désactivées, le robot peut toujours marcher. De plus, toutes les jambes du robot ne sont pas nécessaires à la stabilité; les autres jambes sont libres d’atteindre de nouveaux emplacements de pied ou de manipuler une charge utile.

De nombreux robots hexapodes sont biologiquement inspirés par la locomotion Hexapoda. Les hexapodes peuvent être utilisés pour tester des théories biologiques sur la locomotion des insectes, le contrôle moteur et la neurobiologie.

Marche bipède

Dynamique passive
La dynamique passive fait référence au comportement dynamique d’actionneurs, de robots ou d’organismes lorsqu’ils ne tirent pas l’énergie d’une alimentation (par exemple, les batteries, le carburant, l’ATP). Selon l’application, prendre en compte ou modifier la dynamique passive d’un système alimenté peut avoir des effets dramatiques sur les performances, notamment l’économie d’énergie, la stabilité et la largeur de bande des tâches. Les appareils n’utilisant aucune source d’alimentation sont considérés comme « passifs » et leur comportement est entièrement décrit par leur dynamique passive.

Dans certains domaines de la robotique (notamment la robotique à jambes), la conception et le contrôle plus détendu de la dynamique passive sont devenus une approche complémentaire (voire alternative) des méthodes de contrôle du positionnement articulaire développées au cours du XXe siècle. De plus, la dynamique passive des animaux intéresse les biomécaniciens et les biologistes intégrateurs, car cette dynamique est souvent à la base des mouvements biologiques et se couple avec un contrôle neuromécanique.

Les domaines particulièrement pertinents pour l’étude et l’ingénierie de la dynamique passive incluent la locomotion et la manipulation à jambes.

Point zéro moment
Le point zéro moment est un concept lié à la dynamique et au contrôle de la locomotion à jambes, par exemple pour les robots humanoïdes. Il spécifie le point par rapport auquel la force de réaction dynamique au contact du pied avec le sol ne produit aucun moment dans la direction horizontale, c’est-à-dire le point où le total des forces d’inertie et de gravité horizontales est égal à 0 (zéro). Le concept suppose que la zone de contact est plane et que le frottement est suffisamment important pour empêcher les pieds de glisser.

Fonctionnement

Exemples: ASIMO, BigDog, HUBO 2, RunBot et Toyota Partner Robot.

Roulant

En termes d’efficacité énergétique sur les surfaces planes, les robots sur roues sont les plus efficaces. En effet, une roue idéale qui roule (sans glisser) ne perd pas d’énergie. Une roue qui roule à une vitesse donnée ne nécessite aucune intervention pour conserver son mouvement. Cela contraste avec les robots à jambes qui subissent un choc au sol et perdent de l’énergie.

Pour des raisons de simplicité, la plupart des robots mobiles ont quatre roues ou plusieurs pistes continues. Certains chercheurs ont essayé de créer des robots à roues plus complexes avec une ou deux roues. Celles-ci peuvent présenter certains avantages, tels qu’une efficacité accrue et des pièces réduites, ainsi que la possibilité pour un robot de naviguer dans des endroits confinés qu’un robot à quatre roues ne pourrait pas.

Exemples: Boe-Bot, Cosmobot, Elmer, Elsie, Enon, HERO, IRobot Create, Roomba d’iRobot, Beast de Johns Hopkins, Land Walker, robot Modulus, Musa, Omnibot, PaPeRo, Phobot, robot Pocketdelta, Pousser la corbeille qui parle, RB5X , Rovio, Seropi, le robot Shakey, Sony Rolly, Spykee, TiLR, Topo, TR Araña et Wakamaru.

Sautillant

Plusieurs robots, construits dans les années 1980 par Marc Raibert au MIT Leg Laboratory, ont démontré avec succès une marche très dynamique. Initialement, un robot avec une seule jambe et un très petit pied pouvait rester debout simplement en sautillant. Le mouvement est le même que celui d’une personne sur un bâton de pogo. Lorsque le robot tombe d’un côté, il saute légèrement dans cette direction afin de se rattraper. Bientôt, l’algorithme a été généralisé à deux et quatre jambes. Un robot bipède a été démontré en cours d’exécution et même effectuer des sauts périlleux. Un quadrupède a également été démontré, capable de trotter, de courir, de marcher et de se lier.

Exemples:

Le guépard MIT est un robot quadrupède alimenté électriquement avec des pattes souples conformes et capables de s’auto-stabiliser dans une large plage de vitesses.

Le Tekken II est un petit quadrupède conçu pour marcher sur des terrains irréguliers de manière adaptative.

Mouvement métachronique

Une action mécanique séquentielle coordonnée ayant l’aspect d’une onde progressive est appelée un rythme ou une onde métachronale. Elle est utilisée dans la nature par les ciliés pour le transport, ainsi que par les vers et les arthropodes pour la locomotion.

Slithering

Plusieurs robots serpents ont été développés avec succès. Imitant la façon dont les vrais serpents se déplacent, ces robots peuvent naviguer dans des espaces très confinés, ce qui signifie qu’ils pourront un jour être utilisés pour rechercher des personnes bloquées dans des bâtiments effondrés. Le robot serpent japonais ACM-R5 peut même naviguer à la fois sur terre et dans l’eau.

Exemples: robot à bras de serpent, Roboboa et Snakebot.

Nager

Un véhicule sous-marin autonome (AUV) est un robot qui se déplace sous l’eau sans intervention d’un opérateur. Les AUV font partie d’un groupe plus vaste de systèmes sous-marins appelés véhicules sous-marins sans équipage. Cette classification inclut les véhicules sous-marins télécommandés non autonomes, contrôlés et alimentés depuis la surface par un opérateur / pilote via un ombilical ou à l’aide d’une télécommande. Dans les applications militaires, un AUV est plus souvent appelé véhicule sous-marin sans pilote (UUV). Les planeurs sous-marins sont une sous-classe des AUV.

Brachiation

La brachiation permet aux robots de se déplacer en se balançant, en utilisant de l’énergie uniquement pour saisir et libérer les surfaces. Cette motion est similaire à celle d’un singe se balançant d’arbre en arbre. Les deux types de brachiation peuvent être comparés aux mouvements de marche bipèdes (contact continu) ou de course (richochétal). Un contact continu survient lorsqu’un mécanisme main / saisie est toujours attaché à la surface en traversée; Richochetal emploie une phase de « vol » aérien d’une surface / d’un membre à l’autre.

Hybride

Les robots peuvent également être conçus pour effectuer la locomotion dans plusieurs modes. Par exemple, le Bipedal Snake Robo peut à la fois glisser comme un serpent et marcher comme un robot bipède.

Approches

Ingénierie de la démarche

Optimisation du produit
L’optimisation de la production consiste à apporter des modifications ou des ajustements à un produit pour le rendre plus souhaitable.

Un produit a un certain nombre d’attributs. Par exemple, une bouteille de soda peut avoir différentes variations d’emballage, saveurs, valeurs nutritionnelles. Il est possible d’optimiser un produit en effectuant des ajustements mineurs. Généralement, l’objectif est de rendre le produit plus attrayant et d’accroître les indicateurs marketing tels que l’intention d’achat, la crédibilité, la fréquence des achats, etc.

Planification de mouvement
La planification de mouvement (également appelée problème de navigation ou problème du moteur du piano) est un terme utilisé en robotique pour décomposer une tâche de mouvement souhaitée en mouvements discrets qui satisfont les contraintes de mouvement et optimisent éventuellement certains aspects du mouvement.

Par exemple, envisagez de faire naviguer un robot mobile à l’intérieur d’un bâtiment vers un point de cheminement distant. Il faut exécuter cette tâche en évitant les murs et en ne tombant pas dans les escaliers. Un algorithme de planification de mouvement prendrait une description de ces tâches en entrée et produirait les commandes de vitesse et de rotation envoyées aux roues du robot. Les algorithmes de planification de mouvement peuvent s’adresser à des robots comportant un plus grand nombre d’articulations (manipulateurs industriels, par exemple), des tâches plus complexes (manipulation d’objets, par exemple), des contraintes différentes (une voiture ne pouvant avancer que par exemple) et des incertitudes (modèles imparfaits de l’environnement ou robot).

La planification des mouvements a plusieurs applications robotiques, telles que l’autonomie, l’automatisation et la conception de robots dans les logiciels de CAO, ainsi que des applications dans d’autres domaines, tels que l’animation de personnages numériques, le jeu vidéo, l’intelligence artificielle, la conception architecturale, la chirurgie robotique et l’étude de molécules biologiques.

La capture de mouvement peut être effectuée sur des humains, des insectes et d’autres organismes.
La capture de mouvement (parfois désignée par mappage ou mocap) est le processus d’enregistrement du mouvement d’objets ou de personnes. Il est utilisé dans les applications militaires, de divertissement, sportives, médicales et pour la validation de la vision par ordinateur et de la robotique. Dans la création de films et le développement de jeux vidéo, il s’agit d’enregistrer des actions d’acteurs humains et d’utiliser ces informations pour animer des modèles de personnages numériques dans des animations informatiques 2D ou 3D. Quand il inclut le visage et les doigts ou capture des expressions subtiles, on parle souvent de capture de performances. Dans de nombreux domaines, la capture de mouvement est parfois appelée suivi de mouvement, mais dans la fabrication de films et les jeux, le suivi de mouvement se réfère généralement davantage au mouvement.

Dans les sessions de capture de mouvement, les mouvements d’un ou de plusieurs acteurs sont échantillonnés plusieurs fois par seconde. Alors que les techniques anciennes utilisaient des images provenant de plusieurs caméras pour calculer des positions 3D, le but de la capture de mouvement est d’enregistrer uniquement les mouvements de l’acteur, et non son apparence. Ces données d’animation sont mappées sur un modèle 3D afin que le modèle effectue les mêmes actions que l’acteur. Ce processus peut être mis en contraste avec l’ancienne technique de rotoscopie, comme le montrent le Seigneur des anneaux de Ralph Bakshi (1978) et American Pop (1981). Les mouvements de personnages animés ont été réalisés dans ces films en traçant sur un acteur vivant, en capturant les mouvements et les mouvements de l’acteur. Pour expliquer, un acteur est filmé en train de jouer une action, puis le film enregistré est projeté sur une table d’animation image par image. Les animateurs tracent le métrage d’action en direct sur des cellules d’animation en capturant image par image les contours et les mouvements de l’acteur, puis complètent les contours tracés avec le personnage animé. Les images d’animation achevées sont ensuite photographiées image par image, en faisant correspondre les mouvements et les actions du métrage en temps réel. Le résultat final est que le personnage animé reproduit exactement les mouvements d’action réelle de l’acteur. Cependant, ce processus prend beaucoup de temps et d’efforts.

Les mouvements de la caméra peuvent également être capturés avec le mouvement, de sorte qu’une caméra virtuelle de la scène effectue un panoramique, une inclinaison ou un dolly autour de la scène pilotée par un caméraman pendant le spectacle. Dans le même temps, le système de capture de mouvement peut capturer la caméra et les accessoires, ainsi que les performances de l’acteur. Cela permet aux personnages, aux images et aux ensembles générés par ordinateur d’avoir la même perspective que les images vidéo de la caméra. Un ordinateur traite les données et affiche les mouvements de l’acteur, fournissant les positions de caméra souhaitées en termes d’objets de l’ensemble. L’obtention rétroactive de données de mouvement de caméra à partir du métrage capturé est connue sous le nom de correspondance de match ou suivi de caméra.

Apprentissage automatique, généralement avec apprentissage par renforcement.
L’apprentissage automatique (ML) est un domaine de l’intelligence artificielle qui utilise des techniques statistiques pour donner aux systèmes informatiques la possibilité « d’apprendre » (par exemple, d’améliorer progressivement les performances d’une tâche spécifique) à partir de données, sans être explicitement programmé.

L’appellation machine learning a été inventée en 1959 par Arthur Samuel. L’apprentissage automatique explore l’étude et la construction d’algorithmes pouvant tirer des leçons de données et les prédire – ces algorithmes sont dépassés en suivant des instructions de programme strictement statiques en faisant des prédictions ou des décisions basées sur des données, en construisant un modèle à partir d’échantillons d’entrées. L’apprentissage automatique est utilisé dans une gamme de tâches informatiques où la conception et la programmation d’algorithmes explicites avec de bonnes performances sont difficiles ou impossibles à réaliser; Les exemples d’applications incluent le filtrage des e-mails, la détection des intrus sur le réseau et la vision par ordinateur.

L’apprentissage automatique est étroitement lié aux statistiques de calcul (qui chevauchent souvent celles-ci), qui se concentre également sur la prédiction via l’utilisation d’un ordinateur. Il est étroitement lié à l’optimisation mathématique, qui fournit des méthodes, de la théorie et des domaines d’application au terrain. L’apprentissage automatique est parfois confondu avec l’exploration de données, où ce dernier sous-champ se concentre davantage sur l’analyse exploratoire de données et est appelé apprentissage non supervisé.

Dans le domaine de l’analyse de données, l’apprentissage automatique est une méthode utilisée pour concevoir des modèles et des algorithmes complexes qui se prêtent à la prédiction. en utilisation commerciale, on parle d’analyse prédictive. Ces modèles analytiques permettent aux chercheurs, aux scientifiques, aux ingénieurs et aux analystes de «produire des décisions et des résultats fiables et reproductibles» et de découvrir des «informations cachées» en tirant parti des relations et des tendances historiques des données.