Forskere udvikler firebenet robot, der kan vandre på svær terræn

Et hold forskere fra ETH Zurich har udviklet en ny tilgang, der giver en firebenet robot mulighed for at bevæge sig hurtigt over kompleks terræn. Robotten, der hedder ANYmal, afhænger af maskinlæring for at kombinere visuel perception af omgivelserne og følelse af berøring.

Den firebenede robot kunne vandre 120 vertikale meter på 31 minutter, hvilket er fire minutter hurtigere end den estimerede varighed for menneskelige vandrere uden fejltrin.

Ny teknologi

Teknologien, der giver ANYmal mulighed for at kombinere visuel perception og følelse af berøring, er helt ny.

Holdet blev ledet af Marco Hutter, og forskningen blev offentliggjort i tidsskriftet Science Robotics.

“Robotten har lært at kombinere visuel perception af omgivelserne med proprioception – sin følelse af berøring – baseret på direkte benkontakt. Dette giver det mulighed for at tackle svær terræn hurtigere, mere effektivt og, først og fremmest, mere robust,” siger Hutter.

Holdet siger, at robotten til sidst vil være i stand til at blive udstationeret overalt, hvor det er for farligt for mennesker eller ellers umuligt for andre typer robotter at manøvrere.

Mennesker og dyr kombinerer også visuel perception af omgivelserne med følelse af berøring fra ben og hænder, hvilket giver dem mulighed for at håndtere svær terræn. Tidligere udviklede firebenede robotter har kun kunnet gøre dette i begrænsede omfang.

Takahiro Miki er en ph.d.-studerende og hovedforfatter af studiet.

“Grunden til det er, at informationen om den umiddelbare omgivelse, der er optaget af lasersensorer og kameraer, ofte er ufuldstændig og tvetydig,” sagde Miki.

“Det er derfor, at robotter som ANYmal må kunne beslutte selv, hvornår de skal stole på den visuelle perception af omgivelserne og gå fremad hurtigt, og hvornår det er bedre at gå frem forsigtigt og med små skridt,” fortsatte Miki. “Og det er den store udfordring.”

Træning af neuralt netværk

Den nye teknologi omfatter en controller baseret på et neuralt netværk, der giver ANYmal mulighed for at kombinere ekstern og proprioceptiv perception for første gang. Forskerne udsatte først systemet for talrige hindringer og feilkilder i en virtuel træningslejr, hvilket gav netværket mulighed for at lære, hvordan det bedst kunne overvinde hindringer. Det lærte også, hvornår det skulle stole på miljødata og hvornår det skulle ignorere det.

“Med denne træning er robotten i stand til at mestre den sværeste naturlige terræn uden at have set det før,” siger Hutter.

Robotten kan udføre denne proces, selv når sensordata om den umiddelbare omgivelse er tvetydig eller vag, hvorefter ANYmal afhænger af sin proprioception. Dette giver det mulighed for at kombinere hastigheden og effektiviteten af ekstern sansning med sikkerheden af proprioceptiv sansning.