ReachBot : Un nouveau robot d'escalade pour les terrains difficiles

Les Robots sur roues galèrent à explorer des endroits compliqués comme des grottes. Pour y remédier, un nouveau robot grimpeur, appelé ReachBot, utilise plusieurs membres pour s'accrocher aux surfaces inégales et grimper. Ce robot a besoin d'un système intelligent pour trouver de bons points d'accroche. Une façon de le faire est de repérer les Fissures et les bords dans les rochers qui peuvent servir de prises.

#Le Problème

Les robots sur roues ne peuvent pas aller là où ça devient difficile. Des endroits comme les grottes ou les zones escarpées sont chauds pour eux. Les drones peuvent voler au-dessus de terrains difficiles, mais ils ont un temps limité dans les airs et ne peuvent pas aller profondément dans les grottes. Pour combler ce vide, le ReachBot utilise des pinces spéciales sur de longs bras. Ce design lui permet d'atteindre plus de zones, surtout dans des endroits rocheux comme les tubes de lave sur la Lune ou Mars.

Trouver un bon endroit pour s'accrocher est essentiel pour le robot. Bien qu'il existe des méthodes simples comme l'essai-erreur, elles peuvent mener à des erreurs qui endommagent le robot ou font échouer la mission. Les bras allongés du ReachBot lui permettent d'identifier les points d'accroche de loin, mais repérer des fissures de loin n'est pas facile parce qu'elles sont souvent fines et dépendent de la lumière et des angles de caméra.

#Contributions

Ce projet vise à améliorer la façon dont ReachBot trouve les fissures dans les rochers, avec plusieurs contributions clés :

1. Une nouvelle méthode, appelée SKIL (Skeleton Intersection Loss), aide à identifier des caractéristiques fines comme les fissures sur les murs de rochers.
2. De nouvelles métriques, appelées LineAcc, mesurent l’efficacité avec laquelle le robot détecte ces fissures en fonction de leur emplacement et de leur taille, et elles sont plus fiables que les anciennes méthodes.
3. Une collection d'images de murs en rocher a été rassemblée et partagée pour que d'autres puissent l'utiliser, avec du code et des instructions pour les tests.

#Travaux Connus

Il existe plusieurs ensembles de données, mais beaucoup se concentrent sur l'escalade en intérieur avec des couleurs vives et un éclairage artificiel, ce qui n'est pas utile pour les rochers extérieurs. D'autres peuvent classer les types de roche mais n'évaluent pas leur potentiel d'accroche. Les ensembles de données pour détecter les fissures dans les bâtiments ne sont pas non plus utiles car ils ont souvent des fissures très fines qui ne ressemblent pas à des surfaces naturelles rugueuses.

Les méthodes de prise utilisées pour l'escalade humaine ne fonctionneront pas pour ReachBot, car il a un design de bras différent. Toutefois, certains modèles existants pour les grimpeurs robotiques offrent des idées mais nécessitent souvent des infos détaillées sur la surface qui ne peuvent pas être facilement obtenues en temps réel.

Les techniques de détection des fissures existent dans divers domaines, mais elles se concentrent souvent sur des détails trop fins pour notre utilisation. En imagerie médicale, certaines techniques similaires fonctionnent pour détecter les vaisseaux sanguins et semblent prometteuses pour repérer les fissures dans les rochers.

#L'Approche

#Design du Robot

ReachBot est conçu pour des environnements difficiles, utilisant des pinces spéciales qui peuvent s'adapter à différentes formes de roches. Ces pinces s'engagent avec les petites irrégularités sur les surfaces rocheuses, ce qui améliore la force d'accroche. Le design est assez flexible pour se déplacer à travers des zones caves inégales.

#Architecture du Modèle

Les expériences utilisent un design spécifique appelé ViT-B, qui équilibre performance et utilisation des ressources. D'autres modèles complexes ont été envisagés mais écartés pour garder les choses simples pour les besoins du robot.

#Nouvelles Métriques

De nouvelles métriques de performance sous le nom de LineAcc ont été créées pour mieux évaluer comment le robot repère les fissures.

1. Position de la Ligne Centrale - Mesure à quel point les fissures prédites s'alignent avec les véritables fissures.
2. Ratios de Largeur et de Longueur - Ces métriques évaluent à quel point la largeur et la longueur des fissures prédites se rapprochent de celles réelles, ce qui aide à une évaluation correcte.

#La Perte SKIL

Pour optimiser ces nouvelles métriques, une nouvelle fonction de perte appelée SKIL a été développée. Cette fonction améliore la manière dont le robot apprend à identifier les fissures, lui permettant de mieux s'adapter à leurs variations dans des conditions réelles.

#Collecte de Données

Un ensemble de données appelé Cracks Reachbot a été créé, comprenant de nombreuses photos de roches avec des fissures et des bords intéressants. Cet ensemble de données est disponible pour que d'autres l'utilisent dans des recherches liées.

#Images Réelles

Une collection de photos de murs rocheux a été prise dans divers endroits. Ces images ont été examinées, et seules les plus intéressantes ont été conservées et marquées pour les fissures et les bords.

#Données Générées

Pour élargir l'ensemble de données, des images ont été créées à l'aide d'un outil d'IA. L'objectif était de produire des surfaces rocheuses d'apparence plus naturelle sans bords, fissures ou prises claires.

#Résultats

Les résultats des expériences montrent que SKIL permet au robot de mieux détecter les fissures et les bords. Les nouvelles métriques créées offrent des évaluations plus fiables que les anciennes méthodes.

#Entraînement et Performance

Les modèles ont été testés en utilisant à la fois l'ensemble de données de fissures et un ensemble similaire axé sur les vaisseaux sanguins. Les tests ont montré qu'incorporer SKIL menait à une meilleure performance globale, surtout pour détecter des caractéristiques étroites du monde réel comme des fissures.

#Qualité Visuelle

Les tests visuels ont montré que les images traitées avec SKIL révélaient plus de détails et moins de lacunes dans les prédictions. Le robot a pu identifier les caractéristiques plus précisément, entraînant de meilleurs résultats autant pour les fissures que pour les tâches sur les vaisseaux sanguins.

#Défis avec les Méthodes Existantes

Les anciennes méthodes utilisant des métriques communes de mesure de détection étaient souvent limitées par leurs exigences rigides. Par exemple, elles pénalisaient trop sévèrement les petites erreurs, rendant difficile l'évaluation précise de la performance.

Le défi venait du fait que les fissures ne correspondaient pas toujours à des formes traditionnelles, et beaucoup de techniques de détection existantes étaient mieux adaptées à des formes plus uniformes. Ces limitations ont grandement impacté la capacité des modèles à identifier les fissures dans des environnements réels.

#Exploration de Nouvelles Options

Les fonctions de perte et les métriques proposées ont montré une amélioration notable des résultats d'entraînement. Lors des tests sur des ensembles de données de vaisseaux sanguins, par exemple, les performances ont été améliorées grâce à l'adaptabilité offerte par les nouvelles métriques et la fonction de perte.

#Importance des Données de Qualité

Avoir une bonne collection de données bien annotées est essentiel. Des étiquettes mal annotées peuvent impacter les résultats, donc la capacité de SKIL à bien fonctionner dans de telles circonstances est une caractéristique essentielle de son succès.

#Travail Futur

À l'avenir, plusieurs étapes seront prises pour affiner encore plus la performance. Cela inclut le réglage des paramètres pour de meilleurs résultats, le test du robot dans des situations réelles, et la liaison du système de détection avec des systèmes de planification pour une autonomie complète.

En conclusion, ce travail fournit une base solide pour créer un système efficace de détection des fissures dans les rochers destiné à améliorer les capacités d'escalade robotique dans des environnements difficiles. Les résultats indiquent une promesse pour des développements futurs, y compris des applications pratiques dans l'exploration spatiale et d'autres contextes de terrain.