Au MIT, l’IA générative conçoit un robot qui saute plus haut et tombe moins

Faire sauter un robot paraît simple jusqu’au moment où il faut concilier puissance, légèreté, résistance mécanique et stabilité au retour au sol. Une structure trop rigide peut mal restituer l’énergie. Une pièce trop fine risque de fragiliser l’ensemble. Un atterrissage imparfait suffit, lui, à faire chuter la machine. Au MIT, des chercheurs explorent une autre manière d’aborder ce problème : demander à une IA générative de proposer des formes que l’intuition humaine n’aurait pas forcément retenues, puis les confronter méthodiquement à la simulation et au monde réel.

Les travaux du laboratoire CSAIL du MIT montrent comment des modèles de diffusion peuvent servir d’outil de conception robotique. Leur démonstrateur est un robot sauteur dont certaines pièces ont été redessinées par l’IA. Le résultat le plus spectaculaire est chiffré : le robot a atteint une hauteur proche de deux pieds, soit environ 61 cm, et a dépassé de 41 % les performances d’un robot de référence. Les chercheurs ont également travaillé sur la sécurité de l’atterrissage, avec un pied optimisé qui a réduit les chutes de 84 % par rapport à des prototypes précédents.

Quand l’IA générative devient un outil de conception mécanique

L’IA générative est souvent associée à la création de textes, d’images ou de sons. Son rôle est différent dans cette expérience : il s’agit de produire des variantes de formes mécaniques susceptibles d’améliorer le comportement physique d’une machine. L’ordinateur ne remplace pas les lois de la mécanique ni les essais matériels. Il élargit l’espace des solutions à examiner.

Les chercheurs du MIT CSAIL s’appuient pour cela sur un modèle de diffusion. Dans les usages les plus connus, cette famille de modèles apprend à transformer progressivement du bruit en une image cohérente. Transposée à la conception, l’idée consiste à générer de nouvelles propositions à partir d’une représentation existante, tout en tenant compte des contraintes et objectifs indiqués.

Le point de départ est un modèle 3D du robot. L’utilisateur précise les éléments qu’il souhaite modifier. Le système peut alors proposer des structures complexes ainsi que des systèmes de contrôle autonomes, puis évaluer virtuellement les conceptions avant d’envisager leur fabrication. Cette étape de simulation est essentielle : produire des centaines de pièces physiques serait long, coûteux et peu pratique, surtout lorsque la plupart des formes testées ne déboucheraient pas sur une amélioration.

Dans une démarche de conception classique, un ingénieur formule une hypothèse, dessine une pièce, l’évalue et la corrige. Ce processus reste indispensable. L’approche générative ajoute toutefois une capacité d’exploration : elle peut présenter rapidement des alternatives moins conventionnelles, parfois difficiles à imaginer à partir de géométries simples, droites et symétriques.

Pourquoi un saut est un défi pour un robot

Le saut concentre en une fraction de seconde plusieurs difficultés fondamentales de la robotique. Pour décoller, le robot doit transmettre suffisamment d’énergie au sol. Ses liaisons et ses composants doivent supporter les forces générées sans se déformer de façon irréversible ni céder. Enfin, au retour, le système doit absorber le choc et retrouver un équilibre.

Une amélioration de hauteur ne signifie donc pas seulement qu’un moteur pousse plus fort. Le dessin de la structure intervient directement dans la manière dont l’énergie est stockée, transmise et dissipée. Une pièce courbée peut, selon son rôle et sa géométrie, se comporter différemment d’une pièce rectiligne et rigide. C’est précisément ce type de compromis que les chercheurs ont demandé au modèle d’explorer.

Les prototypes étudiés ont été fabriqués en polylactic acid, ou PLA, un matériau couramment employé pour les prototypes imprimés en 3D. Ils conservent donc une apparence et un matériau comparables, mais la géométrie des pièces change nettement. Là où des composants standards sont généralement droits et rigides, certaines pièces générées par l’IA affichent des courbures évoquant des batteurs de tambour.

De 500 concepts à une forme organique

Le nombre de possibilités offertes par l’IA générative ne doit pas faire oublier la nécessité d’un tri exigeant. Dans cette recherche, les scientifiques ont commencé par évaluer 500 designs initiaux. Les simulations ont permis d’isoler douze solutions qui paraissaient les plus intéressantes au regard des performances recherchées.

Le travail ne s’est pas arrêté à ce premier filtre. L’équipe a ensuite appliqué une démarche itérative. Elle a notamment amélioré l’embedding vector, c’est-à-dire une représentation numérique servant à guider le modèle vers les caractéristiques de conception désirées. Dit plus simplement, cette étape permet d’orienter la génération vers les familles de formes qui donnent les meilleurs résultats dans les tests virtuels, plutôt que de produire indéfiniment des variantes très éloignées de l’objectif.

Au fil des répétitions, la structure a pris une forme plus organique, décrite comme un « blob ». Ce terme souligne son aspect peu conventionnel : il ne s’agit pas d’une pièce dessinée selon les codes habituels de la mécanique, avec des segments essentiellement rectilignes. Une fois fabriquée, cette forme a démontré son efficacité pour le saut.

L’enseignement n’est pas qu’une IA posséderait une intuition mécanique au sens humain du terme. Son avantage tient plutôt à sa faculté de parcourir rapidement de nombreuses possibilités et à révéler des compromis géométriques inhabituels. Les ingénieurs conservent le rôle décisif de définir le problème, les contraintes, les critères de sélection et les conditions de test.

L’atterrissage, l’autre moitié de la performance

Un robot qui saute haut mais tombe systématiquement après le contact avec le sol n’a qu’un intérêt limité. L’atterrissage est même déterminant pour des usages concrets, car une chute peut interrompre une tâche, endommager l’appareil ou rendre son fonctionnement imprévisible.

Les chercheurs ont donc ajouté une phase d’optimisation consacrée au pied du robot. L’objectif était de concevoir une pièce permettant une réception plus sûre. Les essais ont montré une diminution de 84 % des chutes par rapport aux prototypes précédents. Cette amélioration ne se réduit pas à une question d’adhérence : la forme du pied influence aussi la stabilité du robot après l’impact et sa capacité à éviter le basculement.

Cette partie de l’étude illustre une idée importante en robotique : les performances ne doivent pas être évaluées isolément. Accroître la hauteur d’un saut ne suffit pas si cela fragilise les liaisons de la machine ou dégrade sa réception. À l’inverse, un système très stable mais incapable de fournir l’impulsion requise ne répondrait pas davantage à l’objectif.

Le co-auteur Byungchul Kim souligne que les designs proposés par l’IA permettaient de mieux conserver l’énergie, afin que le robot puisse sauter sans affaiblir les liaisons qui le composent. Au-delà des gains mesurés, les formes générées ont ainsi aidé l’équipe à mieux comprendre la physique à l’œuvre dans la machine.

Ce que les modèles de diffusion apportent, et ce qu’ils ne résolvent pas

Pour la conception robotique, la force des modèles de diffusion est de ne pas se limiter à une petite collection de réglages prédéfinis. Au lieu d’ajuster seulement la longueur ou l’épaisseur d’une pièce existante, ils peuvent proposer des topologies et des courbures nouvelles. Cette liberté peut faire émerger des solutions que les méthodes manuelles explorent moins spontanément.

Mais cette créativité algorithmique a des limites très concrètes. Une forme prometteuse dans une simulation doit encore être réalisable avec les procédés de fabrication disponibles. Elle doit pouvoir être assemblée, résister à des usages répétés et conserver ses qualités malgré les imperfections du matériau. La simulation elle-même dépend des hypothèses choisies : si elle représente mal un frottement, un choc ou une déformation, elle peut surestimer les bénéfices d’un design.

C’est pourquoi la validation sur un robot physique reste incontournable. Dans le cas du MIT, la fabrication du prototype en PLA permet de vérifier que la forme sélectionnée ne se contente pas d’être performante dans un environnement virtuel. La démarche associe ainsi trois niveaux complémentaires : génération de propositions, évaluation simulée, puis essai réel.

Des robots sauteurs aux machines capables d’agir dans le monde

Les auteurs ne présentent pas cette méthode comme réservée aux robots sauteurs. Pour le co-auteur Tsun-Hsuan Wang, les modèles de diffusion pourraient être appliqués à d’autres appareils robotiques. À terme, des commandes formulées en langage naturel pourraient aider à concevoir des robots destinés à manipuler des objets ou à utiliser des outils électroportatifs.

Cette perspective est intéressante parce que les robots appelés à travailler dans des ateliers, des entrepôts ou des environnements de service doivent répondre à des exigences très variées. Certains ont besoin de saisir délicatement, d’autres de supporter des efforts importants, de se déplacer sur des sols irréguliers ou de manipuler des instruments. Une méthode capable d’adapter rapidement une structure à une tâche donnée pourrait accélérer le prototypage.

Il serait toutefois prématuré d’y voir une fabrication automatique de robots prêts à l’emploi à partir d’une simple phrase. La demande exprimée en langage naturel devrait être traduite en objectifs mécaniques précis : charge à porter, amplitude de mouvement, matériaux autorisés, sécurité, dimensions ou encore conditions d’utilisation. L’IA pourrait faciliter l’exploration, mais la définition de ces contraintes demeurerait un travail d’ingénierie central.

Ce qu’il faut surveiller

La prochaine étape envisagée par les chercheurs est d’incorporer davantage de moteurs pour diriger les sauts du robot tout en renforçant la stabilité de ses atterrissages. Ce passage d’un saut performant à un saut orienté et contrôlé constitue un défi supplémentaire : il ne s’agit plus seulement de restituer de l’énergie, mais de coordonner précisément plusieurs mouvements.

Les résultats obtenus sur la hauteur et les chutes donnent une indication concrète du potentiel de l’approche, avec 41 % de gain par rapport au robot de référence et 84 % de chutes en moins face aux prototypes antérieurs. Les prochaines validations devront déterminer si ces gains se maintiennent avec des architectures plus complexes, davantage d’actionneurs et des tâches moins répétitives.

L’enjeu dépasse en effet le seul robot sauteur. Si les modèles génératifs deviennent capables de proposer des pièces à la fois efficaces, fabriquables et robustes, ils pourraient transformer la phase de conception en un dialogue plus direct entre l’objectif humain, la simulation physique et le prototype. Pour l’industrie comme pour la recherche, la promesse est moins celle d’une machine qui invente seule que celle d’un outil qui aide à découvrir, plus vite, des solutions mécaniques viables.