Comment les robots apprennent à repérer et manipuler les objets essentiels

Pour un être humain, trouver une tasse sur une table encombrée, la saisir sans la renverser puis l’utiliser semble presque automatique. Pour un robot, cette succession de gestes concentre plusieurs difficultés : percevoir la scène, reconnaître l’objet pertinent, estimer sa position, choisir une prise adaptée et ajuster son mouvement au contact. L’enjeu n’est donc pas seulement de rendre les machines plus fortes ou plus rapides, mais de leur apprendre à porter leur attention sur ce qui compte réellement.

Cette capacité est centrale pour faire des robots des partenaires efficaces dans des lieux aussi variés qu’un domicile, une exploitation agricole, un atelier ou un espace de soins. Les avancées évoquées en septembre 2024 vont de la robotique douce aux algorithmes de reconnaissance, en passant par l’apprentissage des gestes humains et la compréhension du fonctionnement des outils. Elles dessinent une même ambition : permettre à une machine de réagir utilement lorsque son environnement est imparfaitement ordonné et changeant.

Se concentrer sur un objet, une chaîne de décisions

L’expression « se concentrer » ne décrit pas une pensée comparable à celle d’un humain. Dans le cas d’un robot, il s’agit d’une série de traitements qui lui permettent de sélectionner les informations pertinentes pour l’action qu’il doit mener. Une caméra peut fournir l’image d’une scène, mais l’image seule ne suffit pas : le système doit aussi relier ce qu’il perçoit à une consigne, telle que prendre une bouteille, enlever une mauvaise herbe ou ranger un ustensile.

Un robot mobile ou muni d’un bras s’appuie généralement sur plusieurs familles de données :

• des images, éventuellement complétées par une estimation de la profondeur ;
• des capteurs de position dans ses articulations ;
• des informations de contact et de force dans sa pince ou son bras ;
• un logiciel qui transforme un objectif général en gestes concrets.

La reconnaissance d’objets consiste à donner un sens à cette information brute. Le système cherche des indices visuels ou géométriques permettant de distinguer un objet d’un autre. Il doit ensuite répondre à des questions pratiques : quel élément correspond à la tâche demandée ? Est-il accessible ? Peut-il être déplacé sans risque ? Quelle partie faut-il saisir ?

La difficulté augmente lorsque l’objet est partiellement caché, qu’il a une forme inhabituelle ou qu’il est rencontré pour la première fois. La lumière, le désordre, les reflets et les différences entre deux exemplaires d’un même objet peuvent également perturber la détection. Dans un environnement réel, « voir » revient donc moins à attribuer une simple étiquette à une image qu’à préparer une action fiable.

Pourquoi la préhension reste un défi majeur

La main humaine associe souplesse, sensibilité et de très nombreux mouvements. Elle peut saisir fermement un marteau, tenir délicatement un fruit mûr ou ajuster spontanément sa prise lorsqu’un objet glisse. Reproduire cette polyvalence est l’un des grands défis de la robotique.

Les préhenseurs classiques sont souvent efficaces dans les environnements industriels très structurés. Quand la position et la forme des pièces sont connues à l’avance, une pince rigide peut répéter rapidement le même geste. Les conditions changent cependant dès qu’un robot doit intervenir auprès de personnes, manipuler des objets mous, fragiles ou irréguliers, ou évoluer dans un espace moins prévisible.

La robotique douce apporte une réponse à cette limite. Elle s’intéresse à des pinces et des composants capables de se déformer au contact de l’objet. Au lieu d’imposer une prise rigide, le préhenseur peut mieux épouser la forme de ce qu’il manipule. Cette approche vise à réduire le risque d’endommagement et à faciliter des interactions plus sûres avec les humains.

La souplesse ne dispense toutefois pas le robot de décider où et comment agir. Une pince déformable sera peu utile si la machine confond l’objet à prendre avec un objet voisin, ou si elle ne sait pas anticiper le poids et la stabilité de sa cible. Le progrès vient donc de l’association entre mécanique, capteurs et logiciels de décision.

Apprendre à faire face aux objets inconnus

L’un des objectifs mis en avant par les recherches récentes est de rendre les robots moins dépendants de scénarios entièrement préparés. Un algorithme peut les aider à improviser face à des objets variés, y compris lorsqu’ils les rencontrent pour la première fois. Ici, improviser ne signifie pas agir au hasard. Il s’agit plutôt de mobiliser ce que le système a appris sur les formes, les prises possibles et les conséquences de ses mouvements pour choisir une solution raisonnable dans une situation nouvelle.

Cette faculté est décisive hors des chaînes de production les plus standardisées. Dans une maison, aucun rangement n’est parfaitement identique d’un jour à l’autre. Dans un champ, les végétaux, le sol et les conditions météorologiques modifient le contexte de travail. Dans un atelier, des pièces peuvent être présentées dans un ordre imprévu. Un robot utile doit pouvoir s’adapter à ces variations sans devoir être reprogrammé dans les moindres détails après chaque changement.

Comprendre la dynamique des objets et des outils constitue une autre étape importante. Il ne suffit pas de reconnaître un tournevis, une pelle ou une poignée. Il faut aussi prendre en compte ce qui se produit lorsque le robot exerce une force : un outil pivote, un tiroir coulisse, un récipient peut basculer, un objet léger peut glisser. Les travaux évoqués à l’Université du Michigan cherchent précisément à améliorer cette compréhension, afin d’accroître les performances de manipulation.

Cette dimension est parfois appelée compréhension fonctionnelle : le robot ne se limite pas à constater qu’un objet existe, il relie cet objet à une manière possible de l’utiliser. C’est ce passage de l’identification à l’action qui peut rendre une assistance robotique concrète.

Observer les humains pour apprendre les gestes

Les humains ne décrivent pas toujours précisément chacune de leurs actions. Montrer un geste peut être plus simple que rédiger une longue série d’instructions. Des études explorent ainsi l’apprentissage par observation, dans lequel les robots analysent les mouvements d’une personne pour acquérir de nouvelles tâches.

Le principe paraît intuitif, mais sa mise en œuvre est exigeante. Un robot doit isoler les étapes importantes d’une démonstration : l’objet visé, l’ordre des gestes, la trajectoire suivie, les contacts nécessaires et le résultat attendu. Il doit ensuite adapter ces informations à son propre corps. Un bras robotique n’a ni les mêmes articulations ni la même main qu’un humain, et ne peut donc pas recopier un mouvement à l’identique.

L’intérêt est néanmoins considérable. L’observation peut réduire l’écart entre les compétences humaines et les capacités d’une machine, particulièrement pour les gestes ménagers ou les interventions dans des environnements changeants. Elle complète les méthodes où un robot est programmé pas à pas pour une seule opération.

Le projet des « bébés robots » s’inscrit lui aussi dans l’étude des comportements et des interactions entre humains et machines. En s’intéressant aux processus d’apprentissage et d’adaptation, ce type de démarche contribue à éclairer la manière dont les robots peuvent développer des comportements plus appropriés face aux personnes qui les entourent.

De l’agriculture à l’usine, des besoins très différents

La capacité à privilégier les objets essentiels a des applications directes dans le monde du travail. L’agriculture en offre une illustration claire : il faut différencier une culture d’un élément indésirable, repérer ce qui doit être traité ou récolté, puis intervenir avec précision. Les plateformes développées dans le cadre de ROBS4CROPS visent à aider les agriculteurs dans diverses tâches, en apportant une robotique adaptée aux réalités de l’exploitation.

Dans ce secteur, l’intérêt ne réside pas seulement dans l’automatisation. Il est aussi dans la qualité de la décision locale : intervenir au bon endroit, sur le bon végétal ou le bon élément, au bon moment. Une reconnaissance insuffisamment fiable peut conduire à une action inutile, voire dommageable. Les robots agricoles doivent donc associer perception du terrain, mobilité et action ciblée.

Dans l’industrie manufacturière, les robots sont depuis longtemps associés à l’automatisation. La reconnaissance et la manipulation plus adaptatives peuvent élargir leur rôle lorsque les objets varient davantage ou lorsque des opérations exigent une attention accrue. L’objectif est d’augmenter la productivité et la régularité de la qualité, sans réduire la robotique à une succession aveugle de mouvements programmés.

Les usages d’assistance sont d’une autre nature. Le robot français Miroka illustre l’ambition de machines pouvant apporter présence, soutien et interaction dans le quotidien. Dans ce cadre, la préhension et la reconnaissance ne sont qu’une partie du problème. Le robot doit aussi se déplacer sans gêner, comprendre la situation qui lui est proposée et adopter un comportement compatible avec le confort de l’utilisateur.

Des assistants utiles, mais pas encore universels

L’idée de robots capables de soulager les personnes de tâches répétitives est séduisante. Ranger, transporter, trier, désherber ou manipuler des outils sont autant de cas où une aide mécanique peut laisser davantage de temps à des activités plus enrichissantes. Mais cette promesse suppose une fiabilité qui reste difficile à atteindre dans les situations ordinaires.

Les écarts entre une démonstration en laboratoire et un usage quotidien sont importants. Les environnements domestiques sont encombrés, les objets y sont très divers et les personnes n’agissent pas toutes de la même façon. De même, un robot qui fonctionne avec un ensemble d’objets connu peut rencontrer des difficultés face à une matière inattendue, un obstacle déplacé ou une consigne ambiguë.

La sécurité impose aussi une grande prudence. Plus un robot est destiné à travailler près d’humains ou à manipuler des objets délicats, plus ses capteurs, son contrôle de force et ses mécanismes d’arrêt doivent être fiables. La robotique douce est une piste utile, mais elle ne remplace ni une bonne conception du système ni des règles de déploiement adaptées.

Ce qu’il faut surveiller

Au 30 septembre 2024, les avancées présentées montrent que le chemin vers des robots polyvalents passe par une combinaison de compétences plutôt que par une technologie unique. La vision permet de repérer les éléments d’une scène. Les modèles d’apprentissage aident à reconnaître des objets variés et à généraliser face à des cas nouveaux. Les capteurs et les préhenseurs déterminent si l’action peut être réalisée sans endommager l’objet. Enfin, l’observation des humains peut enrichir le répertoire de gestes de la machine.

Les prochaines étapes seront particulièrement importantes sur trois fronts : la capacité à réussir hors des environnements contrôlés, la sûreté des interactions avec les personnes et la facilité avec laquelle un utilisateur pourra confier une tâche à un robot. Une machine réellement utile ne devra pas seulement identifier « l’objet essentiel ». Elle devra comprendre pourquoi il est essentiel dans une situation donnée, puis agir avec assez de précision et de prudence pour mériter la confiance de celles et ceux qui l’emploient.