Algoritmer gør det muligt for robotter at undgå hindringer og løbe i det vilde

Et hold forskere fra University of California – San Diego har udviklet et nyt system af algoritmer, der giver firebenede robotter mulighed for at gå og løbe i det vilde. Robotterne kan navigere i udfordrende og komplekse terræner og undgå statiske og mobile hindringer.

Holdet har udført tests, hvor en robot blev vejledt af systemet til at manøvrere autonomt og hurtigt over sandoverflader, grus, græs og bumpede jordbakker dækket med grene og faldne blade. Samtidig kunne den undgå at støde ind i pæle, træer, buske, bjerge, bænke og mennesker. Robotten demonstrerede også evnen til at navigere i en travl kontorlokale uden at støde ind i forskellige hindringer.

Bygning af effektive benede robotter

Det nye system betyder, at forskerne er tættere på end nogensinde før på at bygge effektive robotter til redningsmissioner eller robotter til at indsamle information i rum, der er svære at nå eller farlige for mennesker.

Arbejdet skal præsenteres på 2022 International Conference on Intelligent Robots and Systems (IROS) fra den 23. til 27. oktober i Kyoto, Japan.

Systemet giver robotten mere fleksibilitet på grund af kombinationen af robotterens synssans med proprioception, som er en anden sans, der involverer robotterens sans for bevægelse, retning, hastighed, placering og berøring.

De fleste af de nuværende tilgange til at træne benede robotter til at gå og navigere bruger enten proprioception eller syn. Men de bruges ikke på samme tid.

Kombination af proprioception med computer vision

Xiaolong Wang er professor i elektroteknik og datateknik på UC San Diego Jacobs School of Engineering.

“I ét tilfælde er det som at træne en blind robot til at gå ved kun at røre og føle jorden. Og i den anden, planlægger robotten sine benbevægelser ud fra synet alene. Det er ikke, som om den lærer to ting på samme tid,” sagde Wang. “I vores arbejde kombinerer vi proprioception med computer vision for at give en benet robot mulighed for at bevæge sig effektivt og glat – og undgå hindringer – i en række udfordrende miljøer, ikke kun veldefinerede.”

Systemet, som holdet har udviklet, afhænger af en særlig samling af algoritmer til at kombinere data fra realtidsbilleder, som er taget af en dybdekamera på robotterens hoved, med data fra sensorer på robotterens ben.

Men Wang sagde, at dette var en kompleks opgave.

“Problemet er, at under reel verden-operation kan der være en lille forsinkelse i modtagelse af billeder fra kameraet, så data fra de to forskellige sansmodi ikke altid ankommer på samme tid,” forklarede han.

Holdet adresserede denne udfordring ved at simulere misforholdet ved at tilfældigt ændre de to sæt indgange. Forskerne kalder denne teknik for multi-modal forsinkelses-tilfældighed, og de brugte derefter de brugte og tilfældigt ændrede indgange til at træne en forstærkning-læringspolitik. Tilgangen gjorde det muligt for robotten til at træffe beslutninger hurtigt, mens den navigerede, samt forudse ændringer i dens omgivelser. Disse evner gjorde det muligt for robotten til at bevæge sig og manøvrere hindringer hurtigere på forskellige typer terræn, alt uden assistance fra en menneskelig operatør.

Holdet vil nu forsøge at gøre benede robotter mere fleksible, så de kan operere på endnu mere komplekse terræner.

“Lige nu kan vi træne en robot til at udføre simple bevægelser som at gå, løbe og undgå hindringer,” sagde Wang. “Vores næste mål er at give en robot mulighed for at gå op og ned ad trapper, gå på sten, ændre retning og hoppe over hindringer.”