Система управления позволяет четвероногим роботам прыгать по неровной местности в режиме реального времени

В последние годы четвероногие роботы, вдохновленные движением гепардов и других животных, сделали большой рывок вперед, но все же они все еще отстают от своих собратьев-млекопитающих, когда дело доходит до путешествий по ландшафту с быстрой сменой высоты.

Исследователи Массачусетского технологического института разработали систему, которая улучшает скорость и маневренность роботов на ногах, когда они прыгают через пропасти на местности. Предоставлено: Массачусетский технологический институт.

«В таких условиях вам нужно использовать зрение, чтобы избежать неудач. Например, трудно избежать наступления в брешь, если вы ее не видите. Хотя существуют некоторые существующие методы включения зрения в передвижение на ногах, большинство из них на самом деле не подходят для использования с развивающимися гибкими роботизированными системами », — говорит Габриэль Марголис, доктор философии. студент лаборатории Pulkit Agrawal, профессор Лаборатории компьютерных наук и искусственного интеллекта (CSAIL) Массачусетского технологического института.

Теперь Марголис и его сотрудники разработали систему, которая улучшает скорость и маневренность роботов на ногах, когда они прыгают через пропасти на местности. Новая система управления разделена на две части: одна обрабатывает входные данные в реальном времени с видеокамеры, установленной на передней части робота, а другая преобразует эту информацию в инструкции о том, как робот должен двигать своим телом. Исследователи протестировали свою систему на мини-гепарде Массачусетского технологического института, мощном и маневренном роботе, созданном в лаборатории профессора машиностроения Сангбэ Кима.

В отличие от других методов управления четвероногим роботом, эта двухэлементная система не требует предварительного картографирования местности, поэтому робот может отправиться куда угодно. В будущем это может позволить роботам отправляться в лес для выполнения задания по реагированию на чрезвычайные ситуации или подниматься по лестнице, чтобы доставить лекарства пожилым людям.

Марголис написал статью со старшим автором Пулкитом Агравалом, который возглавляет лабораторию невероятного искусственного интеллекта в Массачусетском технологическом институте и является доцентом по развитию карьеры Стивена Дж. И Рене Финн на факультете электротехники и компьютерных наук; Профессор Сангбэ Ким с кафедры машиностроения Массачусетского технологического института; и сокурсники Тао Чен и Сян Фу из Массачусетского технологического института. Среди других соавторов — Картик Пэйгвар, аспирант Университета штата Аризона; и Донхён Ким, доцент Массачусетского университета в Амхерсте. Работа будет представлена ​​в следующем месяце на конференции по обучению роботов.

Все под контролем

Использование двух отдельных контроллеров, работающих вместе, делает эту систему особенно инновационной.

Контроллер — это алгоритм, который преобразует состояние робота в набор действий, которым он должен следовать. Многие слепые контроллеры — те, у которых нет функции зрения — надежны и эффективны, но позволяют роботам только перемещаться по сплошной местности.

Зрение — это настолько сложный сенсорный вход для обработки, что эти алгоритмы не могут справиться с ним эффективно. Системы, которые включают в себя обзор, обычно полагаются на «карту высот» местности, которая должна быть либо заранее построена, либо сгенерирована «на лету» — процесс, который обычно является медленным и подвержен сбоям, если карта высот неверна.

Камера робота фиксирует глубинные изображения приближающейся местности, которые передаются высокоуровневому контроллеру вместе с информацией о состоянии тела робота (углы суставов, ориентация тела и т. Д.). Контроллер высокого уровня — это нейронная сеть, которая «учится» на собственном опыте.

Эта нейронная сеть выводит целевую траекторию, которую второй контроллер использует для определения крутящего момента для каждого из 12 суставов робота. Этот низкоуровневый контроллер не является нейронной сетью и вместо этого полагается на набор кратких физических уравнений, которые описывают движение робота.

«Иерархия, включая использование этого низкоуровневого контроллера, позволяет нам ограничивать поведение робота, чтобы он вел себя более корректно. В этом низкоуровневом контроллере мы используем четко определенные модели, на которые мы можем накладывать ограничения, что обычно невозможно в сети, основанной на обучении », — говорит Марголис.

Обучение сети

Исследователи использовали метод проб и ошибок, известный как обучение с подкреплением, для обучения высокоуровневого контроллера. Они провели моделирование робота, бегущего по сотням различных прерывистых ландшафтов, и награждали его за успешные переходы.

Со временем алгоритм узнал, какие действия увеличивают вознаграждение.

Затем они построили физическую местность с промежутками из набора деревянных досок и проверили свою схему управления с помощью мини-гепарда.

«Было определенно весело работать с роботом, который был разработан в Массачусетском технологическом институте некоторыми нашими сотрудниками. Мини-гепард — отличная платформа, потому что он модульный и сделан в основном из деталей, которые вы можете заказать через Интернет, поэтому, если мы хотели новую батарею или камеру, это был простой вопрос — заказать ее у обычного поставщика и с небольшим — небольшая помощь лаборатории Сангбэ в ее установке », — говорит Марголис.

В некоторых случаях оценка состояния робота оказалась сложной задачей. В отличие от моделирования, датчики реального мира сталкиваются с шумом, который может накапливаться и влиять на результат. Итак, для некоторых экспериментов, связанных с высокоточным размещением стопы, исследователи использовали систему захвата движения, чтобы измерить истинное положение робота.

Их система превзошла другие системы, использующие только один контроллер, и мини-гепард успешно преодолел 90 процентов местности.

«Одна из новинок нашей системы заключается в том, что она регулирует походку робота. Если бы человек пытался перепрыгнуть через действительно широкую пропасть, он мог бы начать с очень быстрого бега, чтобы набрать скорость, а затем они могли бы поставить обе ноги вместе, чтобы совершить действительно мощный прыжок через пропасть. Таким же образом наш робот может регулировать время и продолжительность касания ступней, чтобы лучше пересекать местность », — говорит Марголис.

Выпрыгивая из лаборатории

По словам Марголиса, хотя исследователи смогли продемонстрировать, что их схема управления работает в лаборатории, им еще предстоит пройти долгий путь, прежде чем они смогут развернуть систему в реальном мире.

В будущем они надеются установить на робота более мощный компьютер, чтобы он мог выполнять все свои вычисления на борту. Они также хотят улучшить средство оценки состояния робота, чтобы исключить необходимость в системе захвата движения. Кроме того, они хотели бы улучшить низкоуровневый контроллер, чтобы он мог использовать весь диапазон движений робота, и улучшить высокоуровневый контроллер, чтобы он хорошо работал в различных условиях освещения.

«Примечательно быть свидетелем гибкости методов машинного обучения, способных обойти тщательно разработанные промежуточные процессы (например, оценка состояния и планирование траектории), на которые опирались многовековые методы, основанные на моделях», — говорит Ким. «Я в восторге от будущего мобильных роботов с более надежной обработкой зрения, специально обученных для передвижения».