Нейронный планировщик находит безопасные точки опоры, а трекер обеспечивает точность шагов, позволяя быстро и стабильно передвигаться по сложной местности.
Каркас обеспечивает высокоскоростную навигацию на сложных и неоднородных рельефах.
Хёнджун Ким
Корейские исследователи создали новую систему управления, которая позволяет четвероногим роботам выполнять движения, напоминающие паркур, что позволяет им самостоятельно перемещаться в сложных условиях.
В ходе испытаний структура, разработанная командой Корейского передового института науки и технологий (KAIST), позволила четвероногому роботу бегать по вертикальным стенам, перепрыгивать через большие пропасти и быстро перемещаться по неровной местности.
Этот прогресс в области маневренности робототехники может привести к созданию усовершенствованных роботов, способных работать в зонах стихийных бедствий, на строительных площадках или в других сложных условиях, куда доступ человека затруднен или опасен.
«В основе платформы лежит генератор карт, который создает среду с любым желаемым уровнем сложности, которая может эволюционировать, чтобы иметь ряд сред в пределах физических возможностей робота, в конечном итоге обеспечивая точное размещение ног на высокой скорости», — говорится в заявлении команды.
Гибкая навигация по местности
Роботы с ногами сталкиваются со значительными трудностями при навигации по сложной местности, поскольку им необходимо координировать множество степеней свободы, приспосабливаясь к непредсказуемым условиям. Ключевая трудность заключается в создании точных планов опоры достаточно быстро, чтобы поддерживать высокоскоростное движение. Принятие решений в реальном времени в таких динамических условиях требует передовых стратегий управления, которые могут сбалансировать скорость, устойчивость и точность.
В недавнем исследовании ученые KAIST представили иерархическую навигационную систему, которая позволяет шагающим роботам быстро перемещаться в сложных, прерывистых средах.
Система состоит из двух основных компонентов: планировщика, который определяет безопасные и эффективные последовательности опорных точек с использованием нейронных сетей, методов выборки и эвристических фильтров, и трекера, который точно выполняет эти планы. Для обеспечения надежности выходные данные планировщика проверяются в физических симуляциях, в то время как трекер обучается поддерживать точное размещение ног во время высокоскоростного движения по сложной местности.
Трекер обучен точно следовать этим опорам и совершенствуется посредством соревновательного процесса обучения с генеративной моделью, которая создает сложные целевые распределения. Этот подход повышает способность робота справляться с более сложной местностью, чем это было возможно ранее, объединяя скорость, точность и адаптивность в единой структуре управления.
«Эта архитектура оценивает возможные точки опоры только на основе информации о локальной высоте, что позволяет планировщику действовать независимо от типа местности», — рассказал изданию Interesting Engineering (IE) Хёнджун Ким, исследователь из KAIST и первый автор статьи.
Скоростной паркур
Исследователи протестировали свою систему управления как в симуляциях, так и в реальных испытаниях в помещении с использованием четвероногого робота по имени Raibo1. В этих экспериментах Raibo успешно бегал по ступенькам, взбирался на вертикальные стены, преодолевал склоны и лестницы, а также перепрыгивал пропасти и препятствия.
«Raibo способен бегать по вертикальным стенам, перепрыгивать через пропасть высотой 1,3 метра, бегать по ступенькам со скоростью 4 метра в секунду и автономно перемещаться по местности, полной пандусов под углом 30°, лестниц и коробок разных размеров», — говорится в аннотации к исследованию.
Система может имитировать динамические и непредсказуемые среды, интегрируя скорость приближающихся камней в параметр планировщика ψ (psi), эффективно позволяя имитировать движущиеся препятствия. Хотя разрушающаяся местность не моделируется напрямую, шум добавляется к воспринимаемой карте высот для имитации нестабильности местности.
В случаях, когда планировщик не может определить действительную точку опоры в течение требуемого времени, активируется протокол аварийного восстановления безопасности, приводящий робота к контролируемой остановке. Это обеспечивает безопасную работу во время высокоскоростных маневров. Текущие исследования направлены на улучшение этих механизмов безопасности для повышения отзывчивости и устойчивости робота в сложных ситуациях.
По словам команды, масштабируемость фреймворка была продемонстрирована посредством его успешного применения к Raibo2 — роботу, который больше оригинального Raibo (аналогично Unitree B2), использующему тот же обучающий код с небольшими корректировками параметров крутящего момента и скорости сочленений.
«Хотя мы еще не тестировали его на роботах с совершенно иной морфологией, мы считаем, что его можно легко распространить на двуногих роботов с минимальными модификациями», — сказал Ким изданию IE.
По словам исследователей, исследование представляет собой обучающую структуру для обучения контроллеров, которая обеспечивает высокоскоростную навигацию по дискретным ландшафтам, поддерживаемую методом планирования опорной точки в реальном времени. Планировщик работает на 2,5D-карте и не может обрабатывать вертикальные пробежки по стенам. Будущая работа направлена на принятие 3D-представлений карт и интеграцию бортового восприятия для полностью автономной навигации на открытом воздухе.
Подробности исследования команды были опубликованы в журнале Science Robotics.
Sourse: interestingengineering.com
