L’IA générative aide un robot du MIT à sauter 41 % plus haut

Faire sauter un robot ne consiste pas seulement à lui donner un moteur plus puissant ou un meilleur programme de commande. Sa géométrie compte tout autant : la forme de ses liaisons, sa capacité à emmagasiner de l’énergie et la surface de son pied déterminent à la fois la hauteur atteinte et la manière dont il revient au sol. Au MIT, des chercheurs montrent que l’IA générative peut contribuer à résoudre ce problème concret de mécanique, en imaginant des structures qu’un concepteur humain n’aurait pas nécessairement dessinées.

Le résultat est un prototype capable de sauter environ deux pieds, soit près de 61 centimètres. Par rapport à un robot similaire issu d’une conception manuelle, il réalise un saut 41 % plus haut. Et, grâce à un travail spécifique sur son pied, son taux de chutes a été abaissé de 84 % par rapport au modèle antérieur. L’intérêt de l’expérience dépasse donc le spectaculaire saut vertical : elle illustre une autre façon de concevoir des machines, où l’algorithme participe directement à l’invention de leurs pièces.

Pourquoi le saut est un défi de conception robotique

Un saut concentre en quelques instants plusieurs difficultés de la robotique. Le robot doit accumuler de l’énergie, la restituer rapidement pour quitter le sol, conserver une posture maîtrisée dans les airs, puis absorber l’impact à l’atterrissage sans basculer. Augmenter la hauteur sans s’occuper de la réception serait peu utile : une machine qui saute loin mais tombe systématiquement ne peut pas accomplir une tâche de manière fiable.

Dans une conception classique, les ingénieurs partent souvent de formes connues, telles que des pièces rectangulaires ou des liaisons droites. Ils les modifient ensuite progressivement, à partir de calculs, de simulations et d’essais. Cette méthode reste indispensable, mais l’espace des formes possibles est immense. Explorer toutes les courbures, épaisseurs et combinaisons de pièces serait trop long si chaque idée devait être dessinée et testée manuellement.

C’est précisément le rôle que les chercheurs attribuent ici à l’IA générative. Au lieu de choisir une forme unique dès le départ, ils s’en servent pour produire un grand nombre de candidats plausibles, puis les départager selon des critères de performance. La machine ne remplace pas le raisonnement des roboticiens : elle élargit le répertoire de solutions à examiner.

Comment un modèle de diffusion propose des pièces de robot

Les travaux s’appuient sur des méthodes de diffusion, une famille de modèles génératifs également employée dans la création d’images. Leur principe général consiste à apprendre les caractéristiques d’exemples existants, puis à générer de nouveaux résultats à partir d’une représentation numérique. Ici, cette représentation prend la forme d’un vecteur d’intégration, c’est-à-dire un ensemble de valeurs qui encode une proposition de design.

Les chercheurs ont commencé par échantillonner 500 conceptions initiales. Chaque piste correspondait à une variante de la structure du robot. Elles ont été évaluées afin de repérer celles qui répondaient le mieux aux objectifs fixés. Les 12 options les plus performantes ont ensuite servi de point de départ à des améliorations successives du vecteur d’intégration.

Cette étape est essentielle : l’IA ne passe pas directement d’une demande abstraite à un robot prêt à fabriquer. Elle génère des hypothèses, dont les performances sont examinées dans un environnement virtuel avant toute construction matérielle. Les itérations permettent alors d’orienter progressivement les propositions vers les formes les plus prometteuses.

Cette logique combine deux atouts complémentaires. Les simulations rendent possible l’examen rapide de nombreuses solutions, alors que la fabrication du prototype permet de confronter le résultat aux contraintes physiques réelles. La valeur de l’IA ne se mesure donc pas uniquement à l’originalité de ses formes, mais à sa capacité à proposer des formes qui restent fonctionnelles une fois matérialisées.

Des liaisons courbes qui emmagasinent davantage d’énergie

L’un des résultats les plus frappants est visuel. Une forme finale générée par le système a été comparée à un « blob », une masse arrondie et irrégulière, loin de l’apparence ordonnée de nombreuses structures mécaniques traditionnelles. Cette étrangeté n’est pas un simple choix esthétique. Elle traduit une tentative d’exploiter plus efficacement la déformation des pièces au moment où le robot prépare son saut.

Les liaisons produites par l’IA présentent notamment des courbures rappelant des bâtons de tambour, là où des modèles plus conventionnels privilégient des éléments rectangulaires. Cette géométrie leur permet de stocker davantage d’énergie avant le saut. Quand cette énergie est relâchée, le robot peut décoller plus efficacement.

Le gain observé est de taille : le prototype atteint une hauteur supérieure de 41 % à celle d’un modèle similaire conçu manuellement. Ce chiffre ne signifie pas que l’IA rend tous les robots 41 % plus performants. Il décrit la comparaison effectuée dans le cadre précis de cette expérience, entre deux approches de conception appliquées à un robot sauteur comparable. Il montre néanmoins que des formes contre-intuitives peuvent avoir un avantage mécanique mesurable.

Atterrir sans tomber : l’autre moitié du problème

Un robot qui monte plus haut revient aussi au sol avec un enjeu accru de stabilité. Une réception ratée peut annuler le bénéfice du saut, endommager la machine ou interrompre la tâche qu’elle doit accomplir. Les chercheurs ont donc optimisé séparément le pied du robot pour améliorer la phase d’atterrissage.

La difficulté vient d’un compromis. Une architecture qui favorise fortement la hauteur de saut ne conduit pas nécessairement à la réception la plus stable. Les chercheurs ont représenté ce choix à partir de données numériques portant sur deux critères : la hauteur atteinte et le taux de réussite des atterrissages. Le modèle a été entraîné à rechercher le meilleur équilibre entre les deux, plutôt qu’à maximiser un seul indicateur.

Cette approche a réduit le taux de chutes de 84 % par rapport au modèle précédent. Dans le domaine de la robotique, une telle amélioration de fiabilité est aussi importante qu’un gain de puissance. Les futurs robots appelés à évoluer dans un entrepôt, un atelier ou un domicile devront répéter leurs mouvements sans surveillance constante. Une conception qui tient compte de la stabilité dès l’origine peut donc éviter d’avoir à corriger après coup, par le logiciel, les défauts d’une structure mal adaptée.

En quoi cette méthode change la conception des robots

L’apport du modèle de diffusion est de transformer le processus de recherche de formes. Habituellement, les ingénieurs définissent une structure, l’ajustent, la simulent et la testent. Avec l’IA générative, ils peuvent explorer beaucoup plus tôt une diversité de solutions, y compris des pièces dont la forme ne ressemble pas aux composants habituels.

Cette méthode ne dispense toutefois ni de la simulation ni des tests physiques. Une géométrie proposée par un modèle doit toujours être vérifiée : elle doit pouvoir être fabriquée, résister aux contraintes, accueillir les composants nécessaires et se comporter comme prévu hors de l’ordinateur. L’IA intervient ainsi comme un outil d’aide au design, pas comme une garantie automatique de robustesse.

L’expérience rappelle aussi que la robotique ne relève pas uniquement du logiciel. Les progrès des systèmes d’intelligence artificielle sont souvent associés aux capacités de perception, au langage ou à la prise de décision. Or, l’intelligence peut également contribuer à dessiner le corps des machines. Une meilleure forme peut réduire le besoin d’énergie, améliorer l’équilibre ou rendre un mouvement plus naturel, avant même que le programme de commande n’intervienne.

Vers des machines capables de tâches plus variées

Les chercheurs envisagent d’étendre cette approche au-delà du robot sauteur. L’IA générative pourrait aider à imaginer des machines capables de manipuler des objets ou d’utiliser des outils. Dans ces situations aussi, la forme du corps, des membres ou des points de contact avec l’environnement influence directement la réussite de la tâche.

Les futures recherches pourraient notamment porter sur des conceptions intégrant davantage de moteurs et sur l’optimisation de mouvements plus complexes. Cela représente un changement d’échelle important : plus un robot possède d’articulations et d’actionneurs, plus les interactions entre ses pièces se multiplient. Les méthodes capables de générer et d’évaluer de nombreuses variantes pourraient alors devenir particulièrement utiles.

Il ne faut pas pour autant confondre promesse de recherche et produit immédiatement disponible. Le prototype étudié au MIT répond à un problème bien délimité, avec des critères clairement mesurables. Passer de ce robot expérimental à une machine polyvalente, fiable dans tous les environnements et simple à fabriquer demandera encore de nombreux travaux.

Ce qu’il faut surveiller

Cette recherche pose une question appelée à prendre de l’ampleur : jusqu’où les algorithmes peuvent-ils participer à l’architecture physique des objets qui nous entourent ? Dans la robotique, l’enjeu ne se limite pas à créer des silhouettes inhabituelles. Il consiste à obtenir des pièces meilleures, plus sûres et réellement fabricables.

Les prochaines avancées devront montrer si les designs générés restent performants lorsque les robots gagnent en taille, en poids, en nombre de moteurs ou en diversité de tâches. Il faudra également vérifier si les gains observés en simulation et sur un prototype se maintiennent dans des conditions moins contrôlées.

Pour les ingénieurs, l’intérêt est déjà tangible : une IA générative peut devenir un partenaire d’exploration, capable de faire surgir des solutions mécaniques que les méthodes habituelles auraient pu laisser de côté. Pour le public, cette démonstration offre une image concrète de l’IA appliquée au monde physique : non pas seulement des réponses sur un écran, mais des formes qui permettent à une machine de sauter plus haut, puis de retomber sur ses pieds.