L'équilibre sur deux roues par IA d'un chargeur compact laisse ouvert le cas hors nominal
L'ETH Zurich et Intel ont entraîné un contrôle par apprentissage par renforcement pour équilibrer un chargeur compact John Deere 332G sur ses roues avant, mais le succès a chuté lorsque le bras du godet sortait de la plage d'angle entraînée.
Le Laboratoire des systèmes robotiques de l'ETH Zurich, en collaboration avec Intel, a rapporté dans Science Robotics le 11 novembre qu'un contrôle par apprentissage par renforcement a permis à un chargeur compact John Deere 332G de se soulever sur ses deux roues avant, de s'équilibrer et de retomber. Le point non résolu est de savoir jusqu'où cet équilibre tient une fois que la machine quitte les conditions sur lesquelles elle a été entraînée.
La source décrit le mécanisme comme un modèle de mouvement appris. L'équipe a mesuré des propriétés physiques telles que la longueur et le centre de masse, a injecté des commandes de contrôle dans la transmission hydraulique réelle pendant environ une heure et demie, et a utilisé les réponses pour construire un réseau de neurones prédisant le mouvement. L'apprentissage par renforcement a ensuite tourné en simulation, avec masse, inertie et erreur de capteur variées pour réduire l'écart réel-virtuel.
Cet écart est apparu dans l'angle du bras du godet. À 28 et 31 degrés, le chargeur a réussi tous les essais de levage ; à 34 degrés, hors de la plage d'entraînement, il a réussi 11 fois sur 14. Savoir si une telle dégradation compterait dans les travaux de terrassement est une question, pas un résultat.
Le détail concret restant à démontrer est la généralisation au-delà des configurations entraînées, ce que le plan annoncé de l'équipe d'ajouter des caméras et un lidar pourrait aborder.