Talking ScienceΤο τετραποδικό ρομπότ ANYmal επέστρεψε στο σχολείο και έμαθε πολλά. Ερευνητές του ETH Zurich χρησιμοποίησαν μηχανική μάθηση για να του διδάξουν νέες δεξιότητες: το ρομπότ μπορεί τώρα να σκαρφαλώνει πάνω από εμπόδια και να διαπραγματεύεται με επιτυχία παγίδες.
Εν συντομία
- Χρησιμοποιώντας μηχανική μάθηση, το τετράποδο ρομπότ ANYmal μαθαίνει σαν παιδί μέσω δοκιμής και λάθους. Με αυτόν τον τρόπο έμαθε να κάνει παρκούρ.
- Με τη βοήθεια μιας κάμερας και ενός τεχνητού νευρωνικού δικτύου, εντοπίζει και ξεπερνά τα εμπόδια.
- Μέσω του συνδυασμού με τον κλασικό έλεγχο που βασίζεται σε μοντέλα, το ρομπότ μπορεί να διαπραγματευτεί δύσκολο έδαφος.
Το ANYmal εδώ και αρκετό καιρό δεν είχε κανένα πρόβλημα να αντιμετωπίσει το πετρώδες έδαφος των ελβετικών μονοπατιών πεζοπορίας. Τώρα οι ερευνητές στο ETH Zurich έχουν διδάξει σε αυτό το τετράποδο ρομπότ μερικές νέες δεξιότητες: αποδεικνύεται αρκετά ικανό στο parkour, ένα άθλημα που βασίζεται στη χρήση αθλητικών ελιγμών για την ομαλή διαπραγμάτευση εμποδίων σε ένα αστικό περιβάλλον, το οποίο έχει γίνει πολύ δημοφιλές. Το ANYmal είναι επίσης ικανό στην αντιμετώπιση του δύσκολου εδάφους που συναντάται συνήθως σε εργοτάξια ή σε περιοχές καταστροφών.
Για να διδάξουν στον ANYmal αυτές τις νέες δεξιότητες, δύο ομάδες, και οι δύο από την ομάδα με επικεφαλής τον καθηγητή Marco Hutter του Τμήματος Μηχανολόγων και Μηχανικών Διεργασιών του ETH, ακολούθησαν διαφορετικές προσεγγίσεις.
Εξαντλώντας τις μηχανικές επιλογές
Σε μία από τις ομάδες εργάζεται ο διδακτορικός φοιτητής του ETH Nikita Rudin, ο οποίος κάνει parkour στον ελεύθερο χρόνο του. «Πριν ξεκινήσει το έργο, αρκετοί από τους συναδέλφους μου ερευνητές πίστευαν ότι τα ρομπότ με πόδια είχαν ήδη φτάσει στα όρια των δυνατοτήτων ανάπτυξής τους», λέει, «αλλά εγώ είχα διαφορετική γνώμη. Στην πραγματικότητα, ήμουν σίγουρος ότι θα μπορούσαν να γίνουν πολλά περισσότερα με τη μηχανική των ρομπότ με πόδια».
Έχοντας κατά νου τη δική του εμπειρία στο parkour, ο Rudin ξεκίνησε να ωθήσει περαιτέρω τα όρια του τι θα μπορούσε να κάνει ο ANYmal. Και πέτυχε, χρησιμοποιώντας τη μηχανική μάθηση για να διδάξει στο τετράποδο ρομπότ νέες δεξιότητες. Το ANYmal μπορεί τώρα να κλιμακώσει τα εμπόδια και να εκτελέσει δυναμικούς ελιγμούς για να πηδήξει πίσω από αυτά.
Στη διαδικασία, το ANYmal έμαθε όπως ένα παιδί – μέσω δοκιμής και λάθους. Τώρα, όταν εμφανιστεί ένα εμπόδιο, το ANYmal χρησιμοποιεί την κάμερα και το τεχνητό νευρωνικό του δίκτυο για να προσδιορίσει τι είδους εμπόδιο αντιμετωπίζει. Στη συνέχεια εκτελεί κινήσεις που φαίνεται πιθανό να πετύχουν με βάση την προηγούμενη εκπαίδευσή του.
Είναι αυτή η πλήρης έκταση του τεχνικά εφικτού; Ο Rudin προτείνει ότι αυτό ισχύει σε μεγάλο βαθμό για κάθε ξεχωριστή νέα δεξιότητα. Αλλά προσθέτει ότι αυτό εξακολουθεί να αφήνει πολλές πιθανές βελτιώσεις. Αυτά περιλαμβάνουν το να επιτρέπεται στο ρομπότ να προχωρήσει πέρα από την επίλυση προκαθορισμένων προβλημάτων και αντ ‘αυτού να του ζητηθεί να διαπραγματευτεί δύσκολα εδάφη όπως περιοχές καταστροφών που είναι σπαρμένες με μπάζα.
Συνδυασμός νέων και παραδοσιακών τεχνολογιών
Η προετοιμασία του ANYmal για αυτό ακριβώς το είδος εφαρμογής ήταν ο στόχος του άλλου έργου, που διεξήχθη από τον συνάδελφο του Rudin και συνάδελφο διδακτορικό του ETH Fabian Jenelten. Αλλά αντί να βασίζεται μόνο στη μηχανική μάθηση, η Jenelten τη συνδύασε με μια δοκιμασμένη προσέγγιση που χρησιμοποιείται στη μηχανική ελέγχου, γνωστή ως έλεγχος βάσει μοντέλου. Αυτό παρέχει έναν ευκολότερο τρόπο διδασκαλίας στο ρομπότ ακριβείς ελιγμούς, όπως πώς να αναγνωρίζει και να ξεπερνά τα κενά και τις εσοχές σε σωρούς ερειπίων. Με τη σειρά του, η μηχανική μάθηση βοηθά το ρομπότ να αποκτήσει μοτίβα κίνησης που μπορεί στη συνέχεια να εφαρμόσει με ευελιξία σε απροσδόκητες καταστάσεις. «Ο συνδυασμός και των δύο προσεγγίσεων μας επιτρέπει να αξιοποιήσουμε στο έπακρο το ANYmal», λέει ο Jenelten.
Ως αποτέλεσμα, το τετράποδο ρομπότ είναι πλέον καλύτερο στο να αποκτά μια σίγουρη βάση σε ολισθηρές επιφάνειες ή ασταθείς ογκόλιθους. Το ANYmal πρόκειται σύντομα να αναπτυχθεί επίσης σε εργοτάξια ή οπουδήποτε είναι πολύ επικίνδυνο για τους ανθρώπους – για παράδειγμα για να επιθεωρηθεί ένα σπίτι που έχει καταρρεύσει σε μια περιοχή καταστροφής.
Aναδημοσίευση άρθρου του Fabio Bergamin 13.03.2024 στο ETH Zurich News. Link to original article >
Πηγή: Hoeller D, Rudin N, Sako D, Hutter M: ANYmal Parkour: Learning Agile Navigation for Quadrupedal Robots, Science Robotics, 13 March 2024, doi: 10.1126/scirobotics.adi7566
Jenelten F, He J, Farshidian F, Hutter M: DTC: Deep Tracking Control. Science Robotics 2024, 17: eadh5401, doi: 10.1126/scirobotics.adh5401
