Développer des robots capables de jouer au tennis de table n’est pas un jeu

Le développement de robots capables de rivaliser au tennis de table n’est pas un simple divertissement. Cela constitue un banc d'essai technologique pour valider les avancées de la robotique agile en environnement réel.

Le développement de robots capables de jouer au tennis de table constitue un défi d'ingénierie qui dépasse le cadre ludique. Ce sport impose des contraintes physiques extrêmes : une balle de ping-pong peut atteindre des vitesses linéaires supérieures à 20 m/s (72 km/h) et des vitesses de rotation de 160 tours par seconde (9 000 tr/min). Pour les systèmes autonomes, la discipline exige une perception et une prise de décision de l'ordre de la milliseconde, associées à une coordination mécanique capable d'absorber des forces dynamiques tout en conservant une précision millimétrique.

Deux projets récents, menés respectivement par Google DeepMind et Sony AI (projet Ace), illustrent les solutions techniques apportées pour surmonter ces barrières cinématiques et algorithmiques.

Solutions techniques et architectures déployées
Les deux laboratoires ont adopté des approches fondées sur la simulation, l'apprentissage par renforcement et des architectures matérielles modulaires, tout en se distinguant sur la configuration de leurs capteurs.

Google DeepMind et Sony utilisent l'apprentissage par renforcement profond (Deep Reinforcement Learning). Le système est d'abord entraîné dans un environnement virtuel hautement réaliste où il simule des millions de trajectoires. Pour franchir le fossé entre la simulation et la réalité (le gap Sim2Real), caractérisé par les frictions et les imperfections de l'air, des perturbations et du bruit aléatoire sont injectés dans les modèles numériques. Sony a également initialisé son agent à partir de données synthétiques issues d'enregistrements de parties réelles entre humains.

Pour gérer la réactivité, les algorithmes sont structurés de manière hiérarchique. Un contrôleur de haut niveau gère la stratégie globale, analyse le style de l'adversaire et choisit le type de coup à exécuter (attaque, défense, bloc). Des contrôleurs de bas niveau reçoivent ces ordres et calculent instantanément la trajectoire motrice précise pour actionner les moteurs.

Architecture matérielle et solutions de perception
• Le système de Google DeepMind s'appuie sur un bras mécanique standard à 6 axes monté sur des rails pour les déplacements latéraux. La perception est assurée par des caméras capturant 125 images par seconde. Pour évaluer la rotation (le spin) de la balle sans pouvoir la voir directement sur une surface lisse, l'algorithme calcule l'écart mathématique entre la courbe parabolique réelle de la balle et une trajectoire standard théorique.
• Le projet Ace de Sony utilise une structure à 8 axes (2 prismatiques pour les mouvements latéraux rapides et 6 rotatifs). Le système de vision est hybride et comporte 12 capteurs : 9 capteurs actifs haute résolution fonctionnant à 200 Hz pour la triangulation 3D, combinés à 3 capteurs à événements (EVS) IMX636. Ces derniers n'enregistrent que les variations de luminosité par pixel, réduisant la latence globale à 10,2 ms et permettant une détection directe des rotations jusqu'à 9 000 tr/min.

Contraintes techniques surmontées
Le premier obstacle majeur réside dans la latence systémique. Le temps requis pour que les caméras capturent l'image, que les processeurs calculent la trajectoire et que les moteurs s'activent crée un décalage. Les systèmes ne peuvent donc pas uniquement réagir ; ils doivent intégrer des modèles prédictifs pour anticiper la position future de la balle.

Le second défi concerne la lecture de l'environnement dynamique. Face à un joueur humain, la machine doit s'adapter à des changements de stratégie en temps réel. Google DeepMind a intégré une mémoire à court terme permettant au robot de dresser un profil statistique des habitudes de l'adversaire en cours de match.

Enfin, la résistance mécanique des composants a dû être optimisée pour supporter les accélérations et les freinages brusques nécessaires pour intercepter des balles rapides, sans engendrer de vibrations qui fausseraient la précision de la frappe.

Résultats obtenus face aux joueurs humains
Les performances enregistrées lors des phases de test permettent de quantifier les capacités actuelles de ces technologies.

Les technologies développées pour ces robots de tennis de table s'appliquent directement à la modernisation des outils de production industrielle.

Manipulation à haute vitesse et tri automatisé : Les systèmes de vision hybride (combinant capteurs classiques et capteurs à événements) associés aux algorithmes de prédiction de trajectoire permettent la saisie de pièces en mouvement rapide ou en chute libre sur les lignes de production. Ces technologies s'appliquent à l'assemblage de composants électroniques ou automobiles sur des convoyeurs à haute cadence.

Cobotique et sécurité industrielle : La réduction de la latence de perception à environ 10 millisecondes est un facteur clé pour la sécurité de la robotique collaborative (cobotique). Un robot industriel équipé de ces capteurs peut détecter instantanément le mouvement imprévu d'un opérateur humain et ajuster ou interrompre son geste pour éviter toute collision, facilitant le travail conjoint sur des tâches de maintenance ou d'assemblage complexe.

Adaptabilité aux variations de processus : L'apprentissage par renforcement permet de s'affranchir des trajectoires programmées de manière rigide. Appliqué à l'industrie, cela permet à des machines (comme des robots de soudage ou de découpe) d'ajuster leur comportement en temps réel face à des anomalies géométriques sur les pièces, à des changements de matériaux ou à des perturbations de l'environnement de travail.

Publié par Youssef Belgnaoui, rédacteur pour Induportals.

  Demander plus d’information…