Robotteknologi og fysisk AI

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

Alex McFarland
Føj Unite.AI til dine foretrukne kilder på Google
NøglepunkterAlgoritmen fra UC San Diego fusionerer proprioception med computersyn til benede…
Vis mere
  • Algoritmen fra UC San Diego fusionerer proprioception med computersyn til benede robotter.
  • Multi-modal forsinkelsesrandomisering lader robotter navigere i komplekst terræn uden menneskelig assistance.
  • Systemet gør det muligt for firbenede robotter at undgå forhindringer, mens de løber på sand, grus og græs.

Et hold forskere fra University of California – San Diego har udviklet et nyt system af algoritmer, der giver firerobotter med ben mulighed for at gå og løbe i naturen. 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 ujævne jordbakker dækket med grene og faldne blade. Samtidig kunne den undgå at støde ind i pæle, træer, buske, store sten, bænke og mennesker. Robotten demonstrerede også evnen til at navigere i et travlt kontorlokale uden at støde ind i forskellige hindringer.

Bygning af effektive robotter med ben

Det nye system betyder, at forskerne er tættere på end nogensinde før på at bygge effektive robotter til eftersøgnings- og 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 robottens synssans med proprioception, som er en anden sans, der involverer robottens sans for bevægelse, retning, hastighed, placering og berøring.

De fleste af de nuværende tilgange til at træne robotter med ben 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 smidigt – 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 et dybdekamera på robottens hoved, med data fra sensorer på robottens ben.

Men Wang sagde, at dette var en kompleks opgave.

“Problemet er, at under drift i den virkelige verden 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 multimodal randomisering af forsinkelser, og de brugte derefter disse randomiserede input til at træne en styringspolitik med forstærkningslæring. 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 uden om hindringer hurtigere på forskellige typer terræn, alt uden assistance fra en menneskelig operatør.

Holdet vil nu forsøge at gøre robotter med ben 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.”

Alex leder Unite.AI's AI-drevne nyhedsoperationer, der kombinerer journalistik, forskning og automatisering for at understøtte rettidig og skalerbar dækning af kunstig intelligens. Hans arbejde hjælper med at sikre, at nye AI-udviklinger fremhæves effektivt, samtidig med at publikationens redaktionelle standarder opretholdes.