À la NASA, une IA apprend à prélever des échantillons sur un terrain inconnu

Prélever un échantillon de sol peut sembler banal sur Terre. Dans le cadre d’une mission spatiale, ce geste devient une décision complexe : il faut identifier une zone intéressante, approcher un outil, vérifier que le matériau peut être récupéré, puis mesurer la quantité collectée, tout en composant avec des ressources limitées. Le 8 février 2025, des chercheurs de l’Université de l’Illinois à Urbana-Champaign ont présenté les résultats d’un essai où une IA a réalisé cette séquence avec un bras robotisé, dans une installation de la NASA.

L’intérêt de l’expérience ne tient pas seulement au prélèvement réussi. Le système a rencontré un matériau rocheux qu’il n’était pas en mesure de récupérer lors de sa première tentative. Plutôt que de rester bloqué sur cet échec, il s’est déplacé vers une autre zone et a collecté du matériau à grain fin. Cette faculté d’ajuster une stratégie au contact d’un sol inédit est précisément ce que les équipes cherchent à développer pour des robots destinés à explorer des environnements difficiles.

Pourquoi le prélèvement autonome est un défi spatial

Les missions d’exploration reposent déjà largement sur des robots : elles doivent observer, se déplacer, utiliser des instruments et transmettre des résultats. Mais manipuler un terrain est une tâche particulièrement délicate. La texture d’un sol, sa cohésion, la présence de cailloux ou la forme d’un dépôt peuvent empêcher un outil de remplir sa fonction comme prévu.

Dans ce contexte, un système uniquement programmé pour répéter une séquence fixe risque de mal réagir à une situation imprévue. Une IA capable d’évaluer un matériau puis d’adapter sa manière de prélever vise à rendre le robot plus autonome. Il ne s’agit pas de remplacer tous les choix scientifiques humains, par exemple le choix d’une cible de recherche, mais de permettre à la machine de mieux exécuter une tâche sur le terrain.

Pour une mission, la quantité de matériau recueillie compte également. Dans l’essai décrit par les chercheurs, le volume de chaque prélèvement était mesuré selon les exigences de la mission. Le robot ne devait donc pas seulement ramasser quelque chose, mais vérifier que la collecte correspondait au besoin fixé.

Une base de plus de 6 700 points pour apprendre les gestes de collecte

Le projet a été dirigé par Pranay Thangeda, doctorant en ingénierie aérospatiale. Son équipe, qui rassemble des compétences en aérospatiale et en informatique, a conçu un bras robotisé afin de recueillir des données sur divers matériaux, du sable aux roches.

Ces essais ont alimenté une base de données de plus de 6 700 points de connaissance. Cet ensemble sert à entraîner le modèle afin qu’il puisse associer les caractéristiques observées sur le terrain à des techniques de prélèvement adaptées. L’enjeu est de ne pas limiter le robot à un sol unique, soigneusement préparé à l’avance.

Les détails techniques précis du modèle, notamment son architecture ou la manière dont ses paramètres sont mis à jour, ne sont pas indiqués dans les informations communiquées. Une distinction reste donc importante : l’expérience démontre une capacité d’adaptation opérationnelle pendant l’essai, mais elle ne permet pas de conclure, à elle seule, que le modèle réapprend intégralement ses connaissances à chaque mouvement.

Le principe général est néanmoins clair. À partir des informations disponibles, dont l’image fournie par la caméra du bras, le système évalue la situation, tente un prélèvement et tient compte du résultat pour ajuster la suite de son action.

Un test à distance dans une installation de la NASA

L’équipe a mis son modèle à l’épreuve sur deux nouveaux terrains au sein du Lander Autonomy Testbed for Ocean Worlds, une installation du Jet Propulsion Laboratory, le centre de la NASA couramment appelé JPL. Le test constitue, selon les chercheurs, le premier usage d’un bras manipulateur autonome dans cet environnement conçu pour simuler des conditions liées à Europe, la lune glacée de Jupiter.

Europe est une cible scientifique majeure pour l’exploration du Système solaire en raison de l’intérêt porté à son monde océanique. Ici, il ne s’agit toutefois pas d’un essai réalisé sur Europe, ni de la preuve qu’un tel bras équipera une mission donnée. Il s’agit d’une démonstration au sol, dans une infrastructure de recherche de la NASA, destinée à éprouver l’autonomie robotique.

Pranay Thangeda a indiqué que le modèle pouvait se connecter à distance à l’installation. Il traitait en temps réel les images issues de la caméra du bras robotique. La première action a révélé que le matériau rocheux ciblé ne pouvait pas être récupéré. Cette information a alors guidé la décision suivante.

Cette séquence est importante, car elle illustre une autonomie fondée sur le retour d’expérience immédiat. Le robot n’a pas seulement exécuté un mouvement prévu : il a tenu compte du fait que sa première option ne fonctionnait pas pour choisir une nouvelle zone de collecte.

Que signifie une adaptation « en ligne » ?

Dans le vocabulaire de l’IA et de la robotique, l’expression « en ligne » désigne ici une adaptation pendant l’exécution de la tâche, par opposition à un système qui devrait être arrêté, reconfiguré puis entraîné de nouveau avant de pouvoir agir. Dans cette démonstration, le comportement du bras s’ajuste à partir de ce qu’il vient de constater sur le terrain.

Le point fort mis en avant par les chercheurs est qu’ils n’ont pas eu à modifier largement leur modèle pour le rendre compatible avec le nouveau terrain de la NASA. Pranay Thangeda le résume ainsi :

Cette caractéristique répond à un problème concret de la robotique spatiale. Il est impossible de préparer à l’avance un robot à toutes les combinaisons possibles de relief, de matériaux et d’obstacles. Un système capable de tirer parti de quelques observations pendant l’action pourrait limiter la dépendance à des scénarios intégralement écrits à l’avance.

Il faut cependant éviter de confondre adaptation et infaillibilité. Le test montre justement qu’une première tentative peut échouer. La valeur du modèle réside dans sa réaction à cet échec : identifier qu’il ne peut pas récupérer le matériau visé, puis tenter une solution plus pertinente.

L’intégration matérielle, une difficulté aussi importante que l’algorithme

Faire fonctionner un modèle dans un laboratoire universitaire et sur le matériel d’un grand centre spatial sont deux étapes distinctes. L’équipe a rencontré des difficultés logistiques pour aligner la configuration de son système avec celle de la NASA, notamment autour de l’outil de prélèvement et de sa portée.

Pour résoudre ce problème, les chercheurs ont transmis à la NASA des conceptions CAD, c’est-à-dire des fichiers de conception assistée par ordinateur. Ces éléments ont servi à imprimer en 3D et à ajuster les outils du robot. Ce détail rappelle qu’une innovation en IA ne se limite jamais au logiciel : les dimensions, la forme et les capacités mécaniques de l’outil déterminent aussi ce qu’un système peut faire sur un terrain.

Les techniciens de la NASA ont fait part de leur satisfaction quant à la rapidité d’apprentissage du modèle avec peu d’exemples, selon les informations rapportées par l’équipe. Cette appréciation est encourageante, mais elle ne remplace pas une validation sur une longue durée ou dans toutes les conditions qu’imposerait une mission spatiale réelle.

De l’exploration des mondes océaniques aux chantiers terrestres

Les chercheurs envisagent d’étendre leurs travaux à d’autres usages, dont l’excavation autonome et l’automatisation de travaux de construction. Ces applications reposent sur une difficulté commune : un engin doit interagir avec des matériaux dont les propriétés varient d’un endroit à l’autre, sans que chaque geste puisse être directement piloté par une personne.

Sur Terre comme dans l’espace, une machine qui creuse, déplace ou collecte de la matière doit pouvoir distinguer un matériau facile à manipuler d’un matériau compact, trop rocheux ou mal adapté à l’outil disponible. Les résultats du test montrent une piste pour rendre ces opérations plus souples, mais ne suffisent pas à démontrer qu’elles peuvent déjà être automatisées dans tous les chantiers ou tous les environnements planétaires.

L’apport le plus immédiat est méthodologique : entraîner un système sur une diversité de matières, le confronter à des terrains qu’il n’a pas vus, puis mesurer sa faculté à modifier son comportement. Cette démarche est utile chaque fois qu’un robot doit agir dans un cadre où l’environnement ne peut pas être parfaitement anticipé.

Ce qu’il faut surveiller avant un passage à l’échelle

La démonstration menée au JPL ouvre des perspectives, mais plusieurs questions seront décisives pour évaluer la maturité de cette approche. Il faudra notamment vérifier si le modèle conserve ses performances sur un plus grand éventail de sols, d’outils et de configurations mécaniques, ainsi que sa capacité à respecter durablement les volumes de prélèvement demandés.

La robustesse face aux situations imprévues constituera un autre critère central. Un système utile à l’exploration ne doit pas seulement réussir quand il trouve du sable fin après une tentative ratée. Il doit aussi savoir signaler ses limites, éviter d’endommager son matériel et fournir aux équipes des informations exploitables sur ce qu’il a observé.

Enfin, la démonstration rappelle la complémentarité entre IA, robotique et ingénierie de terrain. Le modèle a besoin de données d’entraînement, d’une caméra, d’un bras capable d’agir et d’un outil physiquement adapté. En février 2025, l’essai de l’Université de l’Illinois et de la NASA ne préfigure pas encore une pelle autonome sur Europe. Il montre en revanche qu’un robot peut apprendre d’un échec de prélèvement et corriger sa trajectoire sans exiger une refonte de son modèle, une capacité prometteuse pour les futures explorations comme pour certaines tâches terrestres.