Acest robot cu patru picioare a învățat parkour să navigheze mai bine obstacolele

Întâlni ORICE, un robot asemănător unui câine cu patru picioare, proiectat de cercetătorii de la ETH Zürich din Elveția, în speranța de a folosi astfel de roboți pentru căutare și salvare pe șantierele de construcții sau zonele dezastre, printre alte aplicații. Acum, ANYmal a fost actualizat pentru a avea rezultate rudimentare parkour se mișcă, alias „alergare liberă”. Pasionații de parkour uman sunt cunoscuți pentru faptele lor remarcabil de agile și acrobatice și, deși ANYmal nu le poate egala, robotul a sărit cu succes peste goluri, a urcat și a coborât obstacole mari și s-a ghemuit jos pentru a manevra sub un obstacol, potrivit unui lucrare recentă publicat în revista Science Robotics.

Echipa ETH Zürich a introdus abordarea originală a ANYmal pentru învățarea prin consolidare inapoi in 2019 și îmbunătățit este proprioceptie (abilitatea de a simți mișcarea, acțiunea și locația) trei ani mai tarziu. Doar anul trecutechipa a prezentat un trio de roboți ANYmal personalizați, testați în medii cât mai apropiate de terenul aspru lunar și marțian. La fel de raportate anterior, roboții capabili să meargă ar putea ajuta viitorii roveri și ar atenua riscul de deteriorare din cauza marginilor ascuțite sau a pierderii tracțiunii în regolitul liber. Fiecare robot avea un lidar senzor. dar fiecare era specializat pentru anumite funcții și totuși suficient de flexibil pentru a se acoperi unul pe celălalt – dacă unul se defectează, ceilalți își pot prelua sarcinile.

De exemplu, obiectivul principal al modelului Scout a fost să cerceteze împrejurimile sale folosind camere RGB. Acest robot a folosit, de asemenea, un alt aparat de imagine pentru a mapa regiunile și obiectele de interes folosind filtre care lasă să treacă prin diferite zone ale spectrului luminos. Modelul Scientist a avut avantajul unui braț care include un MIRA (Metrohm Instant Raman Analyzer) și un MICRO (microscopic imager). MIRA a reușit să identifice substanțele chimice din materialele găsite pe suprafața zonei de demonstrație pe baza modului în care acestea au împrăștiat lumina, în timp ce MICRO de la încheietura mâinii le-a fotografiat de aproape. Hybrid a fost mai mult un generalist, ajutându-l pe cercetaș și pe om de știință cu măsurători ale țintelor științifice, cum ar fi bolovani și cratere.

La fel de avansați pe cât au devenit roboții ANYmal și roboții cu picioare similare în ultimii ani, provocări semnificative rămân încă înainte ca aceștia să fie la fel de agile și agile ca oamenii și alte animale. „Înainte de începerea proiectului, câțiva dintre colegii mei cercetători au crezut că roboții cu picioare au atins deja limitele potențialului lor de dezvoltare.” a spus coautorul Nikita Rudin, un student absolvent la ETH Zurich care face și parkour. „Dar eu aveam o altă părere. De fapt, eram sigur că se puteau face mult mai mult cu mecanica roboților cu picioare.”

Parkour este destul de complex din punct de vedere al roboticii, ceea ce îl face o sarcină aspirațională ideală pentru următorul pas al echipei elvețiene în capacitățile ANYmal. Parkour poate implica obstacole mari, cerând robotului „să efectueze manevre dinamice la limitele de acționare în timp ce controlează cu precizie mișcarea bazei și a membrelor”, au scris autorii. Pentru a reuși, ANYmal trebuie să fie capabil să-și simtă mediul și să se adapteze la schimbările rapide, selectând o cale fezabilă și o secvență de mișcări din setul de abilități programate. Și trebuie să facă toate acestea în timp real, cu computere integrate limitate.

Abordarea generală a echipei elvețiene combină învățarea automată cu control bazat pe model. Ei au împărțit sarcina în trei componente interconectate: un modul de percepție care prelucrează datele de la camerele de bord și LiDAR pentru a estima terenul; un modul de locomoție cu un catalog programat de mișcări pentru a depăși anumite terenuri; și un modul de navigație care ghidează modulul de locomoție în selectarea abilităților de utilizat pentru a naviga pe diferite obstacole și teren folosind comenzi intermediare.

Rudin, de exemplu, a folosit învățarea automată pentru a-i învăța pe ANYmal câteva abilități noi prin încercare și eroare, și anume, scalarea obstacolelor și descoperirea cum să urce și să sari înapoi de pe ele. Camera robotului și rețeaua neuronală artificială îi permit să aleagă cele mai bune manevre pe baza pregătirii sale anterioare. Un alt student absolvent, Fabian Jenelten, a folosit controlul bazat pe model pentru a-l învăța pe ANYmal cum să recunoască și să negocieze golurile din grămezile de moloz, sporit cu învățarea automată, astfel încât robotul să aibă mai multă flexibilitate în aplicarea modelelor de mișcare cunoscute în situații neașteptate.

Printre sarcinile pe care ANYmal a fost capabil să le îndeplinească a fost săritul dintr-o cutie într-o cutie vecină la până la 1 metru distanță. Acest lucru a cerut robotului să se apropie de gol în lateral, să-și plaseze picioarele cât mai aproape de margine și apoi să folosească trei picioare pentru a sări în timp ce îl extinde pe al patrulea pentru a ateriza pe cealaltă cutie. Ar putea apoi transfera două picioare diagonale înainte de a aduce ultimul picior peste gol. Acest lucru a însemnat că ANYmal și-a putut recupera din orice pași greșiți și alunecare prin transferul greutății sale între picioarele care nu sărită.

ANYmal a putut, de asemenea, să coboare dintr-o cutie de 1 metru înălțime pentru a ajunge la o țintă de pe sol, precum și să urce în cutie. De asemenea, se poate ghemui pentru a ajunge la o țintă de cealaltă parte a unui pasaj îngust, coborându-și baza și adaptându-și mersul în consecință. Echipa a testat, de asemenea, abilitățile de mers ale lui ANYmal, în care robotul a traversat cu succes scări, pante, mici obstacole aleatorii și așa mai departe.

ANYmal are încă limitările atunci când vine vorba de navigarea în medii din lumea reală, fie că este vorba de un curs de parkour sau de resturile unei clădiri prăbușite. De exemplu, autorii notează că încă nu au testat scalabilitatea abordării lor față de scenarii mai diverse și nestructurate care încorporează o varietate mai mare de obstacole; robotul a fost testat doar în câteva scenarii selectate. „Rămâne de văzut cât de bine se pot generaliza aceste module diferite la scenarii complet noi”, au scris ei. Abordarea necesită, de asemenea, timp, deoarece necesită opt rețele neuronale care trebuie reglate separat, iar unele dintre rețele sunt interdependente, așa că schimbarea uneia înseamnă schimbarea și reinstruirea celorlalte.

Totuși, ANYmal „poate evolua acum în scene complexe în care trebuie să urce și să sară pe obstacole mari în timp ce selectează o cale netrivială către locația sa țintă”, au scris autorii. Astfel, „prin scopul de a potrivi agilitatea alergătorilor liberi, putem înțelege mai bine limitările fiecărei componente din conductă, de la percepție până la acționare, să ocolim acele limite și, în general, să creștem capacitățile roboților noștri”.

Science Robotics, 2024. DOI: 10.1126/scirobotics.adi7566 (Despre DOI).

Imagine de listare de ETH Zurich / Nikita Rudin