Punyo, le robot qui apprend à déplacer de grands objets après une seule démonstration

Déplacer un grand carton, soulever un bidon d’eau ou faire pivoter un meuble ne consiste pas seulement à fermer une pince sur un objet. Les humains répartissent instinctivement l’effort entre leurs mains, leurs bras, leur torse et leurs jambes. Ils sentent aussi immédiatement si une charge glisse, résiste ou menace de basculer. C’est cette forme de manipulation, riche en contacts et en ajustements, que le robot Punyo cherche à reproduire.

Présenté par des chercheurs du Toyota Research Institute, dans le Massachusetts, dans une étude publiée par Science Robotics, Punyo se distingue par une idée simple : pour déplacer un objet encombrant, un robot ne doit pas forcément rester raide et n’utiliser que ses effecteurs terminaux. Il peut au contraire employer l’ensemble de son corps, accepter le contact avec l’objet et apprendre un comportement efficace à partir d’une seule démonstration.

L’avancée ne signifie pas qu’un robot généraliste est désormais prêt à accomplir toutes les tâches domestiques. Elle apporte toutefois une réponse concrète à l’un des problèmes les plus difficiles de la robotique : agir de manière fiable lorsque l’objet manipulé est lourd, volumineux, imparfaitement positionné et en contact avec plusieurs parties du corps de la machine.

Pourquoi les objets volumineux restent difficiles à manipuler

Les robots industriels excellent depuis longtemps dans les environnements très structurés. Lorsqu’une pièce est toujours présentée au même endroit, avec la même orientation, un bras robotisé rigide peut répéter un mouvement programmé avec une grande précision. Cette méthode devient beaucoup moins robuste lorsque la tâche sort de ce cadre.

Un objet volumineux introduit plusieurs difficultés à la fois. Sa forme peut empêcher une prise simple à une main. Son poids exige de maintenir l’équilibre. Il peut aussi toucher le robot en plusieurs endroits pendant son déplacement. Un carton large, par exemple, peut s’appuyer contre le bras, le torse ou la base du robot. Ces contacts ne sont pas nécessairement des erreurs : ils peuvent devenir des appuis utiles, à condition que la machine puisse les détecter et y réagir.

La stratégie de Punyo consiste précisément à transformer cette contrainte en ressource. Au lieu d’éviter tout contact imprévu, le robot s’en sert pour stabiliser et guider l’objet. La manipulation devient alors une activité de tout le corps, plus proche de la manière dont une personne porterait une charge difficile à saisir.

Punyo s’appuie sur tout son corps et sur ses sensations

Le fonctionnement de Punyo repose sur l’association de sa structure corporelle et de ses capteurs. Le robot est équipé d’une peau tactile sensible à la pression et de capteurs articulaires. Ces derniers renseignent le système sur la position et le mouvement de ses articulations, tandis que la peau tactile indique où et comment l’objet exerce une pression sur son corps.

Ces informations sont indispensables pour ajuster le geste en continu. Si l’objet change légèrement de position, si son poids entraîne un déséquilibre ou si la pression devient trop forte à un endroit, Punyo peut adapter son mouvement plutôt que poursuivre mécaniquement une trajectoire prévue à l’avance.

Les expériences évoquées par les chercheurs portent notamment sur la manipulation de bidons d’eau et de grandes boîtes. Dans ces cas, la réussite ne dépend pas d’une prise parfaite, souvent difficile ou impossible à obtenir, mais de la capacité à conserver le contrôle de l’objet tout au long de son déplacement.

Cette approche rappelle un réflexe humain très courant. Lorsqu’un objet est trop large ou trop lourd pour être tenu uniquement par les mains, on le rapproche de son buste, on modifie son appui et on corrige son équilibre au fil du mouvement. Punyo ne reproduit pas l’ensemble de la motricité humaine, mais il exploite le même principe général : la manipulation ne se réduit pas à la préhension.

La compliance, cette souplesse qui change le comportement du robot

L’élément central de la recherche est la compliance, un terme qui désigne ici la capacité d’un robot à céder, absorber ou ajuster son comportement lorsqu’il entre en contact avec un objet. À l’inverse, un système très rigide cherche à imposer sa trajectoire et peut se retrouver en difficulté dès que la situation ne correspond plus exactement à ce qui était attendu.

Cette compliance peut être passive, grâce aux propriétés physiques et à la souplesse de la structure du robot. Elle peut aussi être active, lorsque le système de contrôle corrige son action à partir des données des capteurs. Les chercheurs ont étudié ces deux dimensions, ainsi que leur combinaison.

Le résultat rapporté est marquant : l’intégration de cette souplesse a permis une hausse de 206 % du taux de réussite dans la manipulation par rapport à des robots rigides. Il s’agit d’une progression relative, et non de 206 points de pourcentage. L’étude ne fournit pas, dans les éléments présentés, les taux absolus de réussite correspondants. Mais l’écart souligne combien la conception du corps peut compter autant que l’algorithme qui le pilote.

Un robot rigide n’est pas inutile pour autant. Dans une usine où les positions sont connues, les pièces uniformes et les trajectoires très répétitives, sa précision demeure un atout majeur. Punyo cible un autre type de problème : les situations où les contacts sont nombreux, où l’objet n’est pas parfaitement présenté et où une certaine capacité à encaisser l’imprévu améliore la fiabilité.

Comment le robot apprend-il après une seule démonstration ?

L’expression « une seule leçon » ne veut pas dire que Punyo devient instantanément compétent après avoir regardé un humain agir une fois. Le processus décrit par les chercheurs associe une démonstration initiale et un entraînement autonome.

Le robot reçoit d’abord une seule démonstration téléopérée dans un environnement virtuel. La téléopération consiste à faire réaliser les gestes du robot sous le contrôle d’un opérateur. Cette démonstration fournit un exemple de la manière d’aborder la tâche : comment se placer, où établir les contacts et comment déplacer l’objet.

Ensuite intervient une méthode d’apprentissage par renforcement guidé par des exemples. Dans ce type d’apprentissage, le système s’exerce de façon autonome et améliore progressivement sa stratégie en fonction de la réussite ou de l’échec de ses essais. La démonstration de départ évite de partir de zéro : elle oriente l’exploration vers des mouvements plausibles et utiles.

Cette méthode répond à un obstacle récurrent en robotique : collecter un grand nombre de démonstrations humaines coûte du temps et demande du matériel. Réduire ce besoin à un seul exemple, tout en laissant le robot s’exercer ensuite, pourrait rendre le développement de nouvelles compétences plus rapide et plus accessible.

Il faut néanmoins distinguer la promesse de recherche du déploiement à grande échelle. Une démonstration suffit ici à amorcer l’apprentissage de tâches étudiées dans un cadre donné. Cela ne garantit pas qu’un robot puisse transférer sans préparation cette compétence à n’importe quel objet, dans n’importe quel logement ou entrepôt.

Des usages envisageables, de l’entrepôt au domicile

La manipulation d’objets encombrants est présente dans de nombreux métiers et gestes quotidiens. Dans la logistique, des systèmes capables de manœuvrer des colis lourds ou difficiles à saisir pourraient compléter les équipements automatisés existants, notamment dans des environnements moins standardisés qu’une chaîne de production.

À domicile, la perspective est différente. Un robot qui sait déplacer des meubles ou aider à déplacer une charge pourrait devenir un outil d’assistance, en particulier pour des personnes ayant une mobilité réduite. Les situations visées ne demandent pas seulement de la force : elles demandent aussi de ne pas endommager l’objet, le sol ou l’environnement, tout en restant prévisible pour la personne présente.

Les applications évoquées restent donc soumises à plusieurs conditions. Il faudra notamment garantir la sécurité au contact des humains, la fiabilité sur une diversité d’objets et la capacité du système à reconnaître ses propres limites. Un robot qui porte un objet lourd doit pouvoir s’arrêter ou demander de l’aide lorsqu’il ne peut pas assurer la tâche dans de bonnes conditions.

La recherche autour de Punyo est particulièrement intéressante parce qu’elle ne cherche pas uniquement à doter le robot d’une meilleure pince ou d’une force supérieure. Elle explore une piste plus globale : un assistant physique utile doit posséder un corps capable d’interagir avec le monde réel, et non seulement calculer des trajectoires idéales.

Ce qu’il faut surveiller

Les résultats de Punyo ouvrent une direction prometteuse pour les robots appelés à travailler hors des environnements entièrement contrôlés. La prochaine étape sera de mesurer la robustesse de cette approche face à des objets de tailles, de masses, de formes et de matériaux variés. Un carton, un bidon ou un meuble ne réagissent pas de la même façon à la pression, aux frottements et aux mouvements brusques.

Il faudra aussi évaluer la capacité de ces comportements à être réutilisés. L’enjeu n’est pas seulement de réussir une tâche précise après une démonstration, mais de savoir si une compétence apprise peut faciliter l’apprentissage d’une nouvelle tâche voisine. C’est à cette condition que l’on pourra réellement parler de robots polyvalents, capables d’aider dans des espaces de vie ou de travail ordinaires.

Enfin, cette étude rappelle que l’intelligence robotique ne réside pas exclusivement dans le logiciel. Les capteurs, la mécanique et la souplesse du corps participent directement à ce que la machine est capable d’apprendre. Pour manipuler le monde comme le font les humains, les robots devront sans doute continuer à associer ces trois dimensions : percevoir, décider et céder au bon moment.