Un robot apprend, les autres suivent : l'EPFL réinvente le partage de compétences entre machines

Chaque fois qu'on change de robot dans une usine, c'est souvent repartir de zéro — geste par geste, mouvement par mouvement. Des chercheurs de l'EPFL viennent de proposer une méthode qui pourrait bien mettre fin à ce rituel coûteux.

Il y a quelque chose d'absurde dans la situation actuelle : on peut transférer des téraoctets de données entre deux ordinateurs en quelques secondes, mais quand il s'agit d'apprendre à un robot à visser un boulon, chaque nouveau modèle repart de la case départ. Le laboratoire LASA de l'EPFL — spécialisé dans l'apprentissage du mouvement robotique — s'est attaqué à cette incohérence de front. Leur méthode, publiée via Robohub, permet à un robot d'acquérir une compétence motrice et à un autre, mécaniquement différent, de la récupérer et de l'adapter à sa propre morphologie, sans intervention humaine pour tout reconfigurer.

L'analogie avec un fichier partagé entre deux ordinateurs différents n'est pas anodine : c'est exactement la logique que les chercheurs cherchent à reproduire. Une compétence devient portable. Elle n'est plus liée à un châssis particulier, à une longueur de bras précise ou à un nombre de degrés de liberté spécifique.

Quand la mécanique change, le savoir-faire reste

Le cœur du problème est géométrique autant que logiciel. Deux bras robotiques, même s'ils réalisent la même tâche, ne bougent pas de la même façon. Leurs articulations ne sont pas aux mêmes endroits, leurs plages de mouvement diffèrent, et une trajectoire optimale pour l'un peut être physiquement impossible pour l'autre. Jusqu'ici, la solution standard consistait à tout réentraîner — une opération longue, coûteuse, et franchement peu élégante quand on la regarde de près.

L'approche du LASA repose sur une représentation abstraite du mouvement : plutôt que d'enregistrer une séquence de positions brutes propres à un robot donné, la méthode encode la tâche dans un espace plus générique, indépendant de la mécanique spécifique. Quand un second robot récupère cette compétence, il la réinterprète selon ses propres contraintes physiques pour produire un mouvement fonctionnellement équivalent. Le geste change en surface, l'intention reste la même. C'est un peu comme traduire une phrase dans une autre langue : les mots ne sont plus les mêmes, mais le sens, lui, traverse.

Les applications concrètes visées sont celles de l'assemblage industriel — vissage, insertion de composants, manipulation de pièces — des tâches répétitives mais qui demandent une précision et une adaptabilité que les robots modernes commencent tout juste à maîtriser correctement.

L'enjeu industriel derrière la prouesse technique

Pour comprendre pourquoi cette recherche intéresse au-delà des cercles académiques, il faut regarder comment fonctionne une ligne de production aujourd'hui. Les flottes de robots ne sont pas figées : les constructeurs sortent régulièrement de nouveaux modèles, les usines montent en gamme, certains bras sont remplacés pour des raisons de maintenance ou de performance. Chaque transition matérielle s'accompagne d'une transition logicielle — et c'est là que le temps et l'argent s'évaporent.

La promesse d'un entraînement unique déployable sur plusieurs modèles différents changerait radicalement cette équation. Une compétence développée sur un robot récent pourrait migrer vers des machines plus anciennes encore en service, ou inversement. Les équipes d'ingénieurs n'auraient plus à reproduire des semaines de travail à chaque mise à jour du parc matériel. Et dans des secteurs où la rapidité de déploiement est un avantage concurrentiel direct — électronique, automobile, logistique — ce n'est pas un détail.

Il faut rester lucide sur ce que cette méthode ne résout pas encore. Elle fonctionne dans un cadre relativement contrôlé, sur des tâches d'assemblage définies. Généraliser à des environnements moins structurés, à des tâches plus complexes ou à des robots de morphologies très éloignées reste un défi ouvert. Le "plug-and-play" universel n'est pas pour demain matin — mais la direction prise par le LASA est l'une des plus sérieuses pour s'en approcher.

Ce qui est intéressant ici, c'est moins la prouesse technique isolée que le changement de paradigme qu'elle suggère : arrêter de penser les compétences robotiques comme des propriétés d'une machine spécifique, et commencer à les traiter comme des ressources partageables. C'est un déplacement conceptuel discret, mais ses conséquences pratiques pourraient être considérables.

Et vous — pensez-vous qu'une telle portabilité des compétences robotiques est réaliste à grande échelle dans l'industrie, ou les contraintes terrain vont-elles compliquer sérieusement la donne ?

Source : https://robohub.org/how-to-teach-the-same-skill-to-different-robots/