Les robots traditionnels sont programmés à l’avance et dépendent de simulations complexes pour apprendre à se déplacer. En revanche, le robot conçu par l’équipe du Creative Machines Lab de Columbia Engineering utilise une simple caméra pour créer un modèle tridimensionnel de son propre corps. Ce processus, appelé « conscience cinématique », repose sur des réseaux de neurones capables de transformer des vidéos en une compréhension détaillée des mouvements du robot.
En pratique, ce système lui permet d’anticiper l’effet de ses propres gestes et d’ajuster ses actions en fonction des modifications physiques qu’il subit. Par exemple, s’il est endommagé ou subit un choc, il peut identifier le problème et corriger sa posture sans intervention humaine.
Une autonomie accrue pour des applications variées
Cette capacité d’auto-adaptation ouvre la voie à une utilisation plus fiable des robots dans divers domaines, notamment la fabrication industrielle, la logistique ou encore l’assistance domestique. Un robot aspirateur pourrait détecter une anomalie après une collision et ajuster son déplacement sans aide extérieure. De même, un bras robotique en usine pourrait compenser une déviation dans son alignement sans interrompre la production, réduisant ainsi les coûts et les temps d’arrêt.
Avec des robots capables de s’auto-réguler, leur utilisation dans des environnements réels devient plus efficace et nécessite moins d’interventions humaines.
Un pas de plus vers des machines autonomes
L’auto-modélisation des robots fait l’objet de recherches depuis plusieurs années, et cette nouvelle approche marque une avancée significative. Plutôt que de dépendre de simulateurs conçus par des ingénieurs, le robot génère lui-même sa propre simulation en observant ses mouvements. Cette capacité lui permet non seulement d’apprendre à se mouvoir avec plus de précision, mais aussi d’évoluer au fil du temps en fonction des altérations de son corps ou de son environnement.
À mesure que ces technologies progressent, elles ouvrent la voie à des machines capables d’adaptation et d’apprentissage autonomes, rendant les robots plus robustes et polyvalents pour une intégration dans des contextes variés.
Pour en savoir plus :
- Yuhang Hu et al., Teaching robots to build simulations of themselves, Nature, 2025
- Interesting Engineering