MoMo : Quand un robot apprend à ajuster SOI-même son style de mouvement
← Retour aux actualités--- Les démonstrations humaines sont découpées en jetons d’action (ex : "approche lente", "fermeture de pince en 0.2s", "retrait rapide"). Ces jetons intègrent à la fois l’espace (position en 3D) et le temps (vitesse, accélération). Résultat : un répertoire de mouvements réutilisables, découpés en briques de base. Un paramètre numérique (ex : `mode=0.1` pour lent, `mode=0.9` pour rapide) est entré dans le modèle aux côtés de la tâche. Le transformer (architecture du modèle) génère une exécution cohérente avec ce mode, même sur des tâches jamais vues en entraînement. Pas besoin de réapprendre : Un robot entraîné pour une tâche (ex : placer une bouteille) peut exécuter la sous-tâche "approche lente" en mode `0.2`, même si on ne lui a jamais montré cette combinaison. Intuitif pour l’humain : Pas de code, pas de réglages complexes. Un simple slider ou une instruction en langage naturel suffit.
--- Le modèle nécessite des démonstrations diversifiées pour couvrir tous les modes possibles. La précision décroît sur des objets très petits ou transparents (illusions visuelles pour le capteur). ---
📑 Sommaire
💡 En 3 points clés
- Les démonstrations humaines sont découpées en jetons d’action (ex : "approche lente", "fermeture de pince en 0.2s", "retrait rapide").
- Ces jetons intègrent à la fois l’espace (position en 3D) et le temps (vitesse, accélération).
- Résultat : un répertoire de mouvements réutilisables, découpés en briques de base.
Une danse robotique bien plus lisible qu’on ne le pense
Imaginez un robot industriel qui pose délicatement un gobelet en plastique ou qui percute un bloc de métal avec une force contrôlée pour le déplacer. Selon un seul paramètre caché, il passe du mode "ballerine" (mouvements fluides, précautionneux) au mode "marteau-piqueur" (mouvements saccadés, énergiques). Cette prouesse n’est plus de la science-fiction, grâce à MoMo (Mode Motion), une technologie développée par des chercheurs en robotique.
Pour comprendre l’intérêt, oubliez les robots mémorisés comme des automates rigides. MoMo traite le style du mouvement comme un facteur comportemental modulable, au même titre que l’angle de préhension ou la trajectoire. En d’autres termes : le robot ne sait pas seulement quoi faire, il sait aussi comment le faire — et cela change tout pour son intégration dans des environnements dynamiques.
📌 Exemple concret : Un bras robotisé dans une usine peut apprendre en une seule démonstration à poser délicatement une pièce fragile en mode "ballet", ou à l’écraser pour en extraire une autre en mode "explosif".
MoMo en 3 mots : tokenisation + généralisation + simplicité
La magie opère en deux étapes, inspirées des modèles de langage (comme les LLM) :
1️⃣ Tokenisation spatiotemporelle des actions :
2️⃣ Mode Motion comme condition invisible :
💡 Pourquoi c’est malin ?
🔍 Témoignages de nos 6 tâches réelles
| Tâche | Mode Lent (Human Raters) | Mode Dynamique | Inconnu Mode (Transfert) |
|---|---|---|---|
| Placement de boîte | ✅ 100% accord | ✅ 100% accord | ✅ 92% succès |
| Déplacement de bloc | ✅ 100% accord | ✅ 100% accord | ✅ 87% succès |
| Présentation de couteau | ✅ 95% accord | ✅ 97% accord | ✅ 85% succès |
Note : Les humains distinguent clairement les modes lents des dynamiques, avec des différences notables d’accélération et de vitesse articulaire.
🔮 Vers des robots "caméléon" ?
MoMo n’est qu’un début. Ses applications sont vertigineuses :
✅ Usine 4.0 : Un seul robot pour manipuler des matériaux fragiles et durs, sans reprogrammation.
✅ Santé : Bras chirurgicaux adaptant leur pression selon les tissus (fibreux vs. mous).
✅ Domestique : Aspirateurs intelligents évitant les chutes d’objets avec des mouvements lents, ou déblayant des débris avec des mouvements saccadés.
🚨 Limites actuelles :
Hype-meter : 4.2/5
Avant-garde en compositionsalisation des mouvements robotiques, avec une implémentation physique démontrée. À suivre pour l’industrialisation à grande échelle.
🔗 Pour explorer : Démos vidéo sur le GitHub de MoMo (à venir).