Robotika a fyzická AI

Výzkumníci vyvinuli pokročilý přístup k plánování cest pro roboty

mm
Přidejte Unite.AI mezi své preferované zdroje na Google

Výzkumníci z Michiganské univerzity vyvinuli nový přístup k plánování cest, který urychluje pohyb robotů v náročném terénu. Nově vyvinutý algoritmus byl schopen najít úspěšné cesty třikrát častěji než standardní algoritmy a vyžadoval podstatně méně času na zpracování.

Výzkum byl zveřejněn v Autonomous Robots.

Vývoj nového algoritmu

Algoritmus byl speciálně zaměřen na roboty, které používají ramena podobné končetiny k udržení rovnováhy v náročném terénu, jako jsou místa katastrof a staveniště.

Dmitry Berenson je docent elektrotechniky a počítačového inženýrství a hlavní výzkumník na Robotics Institute.

“V zříceném budově nebo na velmi náročném terénu robot nebude vždy schopen vyrovnat se a pohybovat se pouze nohama,” řekl Berenson. “Potřebujete nové algoritmy, aby jste zjistili, kam umístit obě nohy a ruce. Potřebujete koordinovat všechny tyto končetiny společně, aby udržely stabilitu, a to je velmi obtížný problém.”

Nový výzkum pomáhá robotům určit, jak obtížný je terén, než vypočítají nejlepší cestu vpřed.

Yu-Chi Lin je čerstvý absolvent doktorátu v oboru robotiky a softwarový inženýr ve společnosti Neuro Inc.

“Nejprve jsme použili strojové učení, abychom robotovi naučili různé způsoby, jak umístit ruce a nohy, aby udržely rovnováhu a udělaly pokrok,” řekl Lin. “Pak, když byl umístěn do nového, komplexního prostředí, robot může použít to, co se naučil, aby určil, jak průchodný je terén, a najít tak cestu k cíli mnohem rychleji.”

Navzdory novému a vylepšenému metodě stále trvá dlouho, než se plánuje úspěšná dlouhá cesta pomocí tradičních plánovacích algoritmů.

“Pokud bychom se pokusili najít všechny polohy rukou a nohou na dlouhé cestě, trvalo by to velmi dlouho,” řekl Berenson.

https://www.youtube.com/watch?v=X2KZupY8FQY

Divide-and-Conquer

Aby se tomu vyhnuli, tým spoléhal na přístup “divide-and-conquer”. Rozdělili cestu na obtížně průchodné sekce a lehčeji průchodné sekce. U těch prvních aplikují roboti své učené metody, a u těch druhých používají jednodušší plánování cesty.

“To zní jednoduše, ale je opravdu těžké vědět, jak rozdělit problém správně, a který plánovací metodu použít pro každou sekci,” řekl Lin.

K tomu je potřeba geometrický model celého prostředí, který lze získat pomocí dronu, který letí před robotem.

Tým vytvořil virtuální experiment s humanoidním robotem v koridoru sutin, a výsledky ukázaly, že metoda týmu překonala předchozí metody v úspěšnosti a celkovém čase plánování. To je zásadní při katastrofických scénářích.

Z 50 pokusů metoda týmu dosáhla cíle 84% času ve srovnání s 26% u základního plánovače cesty. Trvalo to jen něco málo přes dvě minuty na plánování ve srovnání s více než třemi minutami u základního plánovače cesty.

Kromě toho tým také ukázal, jak jejich metoda může fungovat ve skutečném světě s robotem na kolech s trupem a dvěma rameny. Základna robota byla umístěna na strmém svahu, a robot použil své “ruce”, aby se podepřel na nerovném povrchu. Metoda týmu umožnila robotovi naplánovat cestu za něco málo přes desetinu sekundy, ve srovnání s více než 3,5 sekundami u základního plánovače cesty.

Tým se nyní bude snažit začlenit dynamicky stabilní pohyb, který je podobný přirozenému pohybu lidí a zvířat. To by zlepšilo rychlost pohybu robota, protože nebude muset být neustále v rovnováze.

Alex McFarland je AI novinář a spisovatel, který zkoumá nejnovější vývoj v oblasti umělé inteligence. Spolupracoval s mnoha AI startupy a publikacemi po celém světě.