Robotica en fysieke AI

Algoritmen laten robots obstakels vermijden en in de natuur rennen

Alex McFarland
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Belangrijkste puntenHet algoritme van UC San Diego combineert proprioceptie met computervisie voor lopende…
Meer weergeven
  • Het algoritme van UC San Diego combineert proprioceptie met computervisie voor lopende robots.
  • Multi-modale vertragingsrandomisatie stelt robots in staat om complex terrein te navigeren zonder menselijke hulp.
  • Het systeem stelt viervoetige robots in staat om obstakels te vermijden terwijl ze rennen op zand, grind en gras.

Een team van onderzoekers aan de University of California – San Diego heeft een nieuw systeem van algoritmes ontwikkeld dat vierpotige robots in staat stelt om in het wild te lopen en te rennen. De robots kunnen moeilijk en complex terrein navigeren terwijl ze statische en bewegende obstakels vermijden.

Het team voerde tests uit waarbij een robot door het systeem werd geleid om autonoom en snel over zandige oppervlakken, grind, gras en oneffen heuvels met takken en gevallen bladeren te manoeuvreren. Tegelijkertijd kon de robot voorkomen tegen palen, bomen, struiken, rotsen, banken en mensen aan te botsen. De robot toonde ook de mogelijkheid om een drukke kantoorruimte te navigeren zonder tegen verschillende obstakels aan te botsen.

Efficiënte vierpotige robots bouwen

Het nieuwe systeem betekent dat onderzoekers dichter dan ooit bij het bouwen van efficiënte robots voor zoek- en reddingsmissies zijn, of robots voor het verzamelen van informatie in ruimtes die moeilijk toegankelijk of gevaarlijk zijn voor mensen.

Het werk zal worden gepresenteerd op de 2022 International Conference on Intelligent Robots and Systems (IROS) van 23 tot 27 oktober in Kyoto, Japan.

Het systeem geeft de robot meer veelzijdigheid vanwege de combinatie van de robot zijn zicht met proprioceptie, wat een andere zintuiglijke modaliteit is die de robot zijn gevoel van beweging, richting, snelheid, locatie en aanraking omvat.

De meeste huidige benaderingen om vierpotige robots te trainen om te lopen en te navigeren, gebruiken ofwel proprioceptie of visie. Deze benaderingen gebruiken beide echter niet tegelijkertijd.

Proprioceptie combineren met computervisie

Xiaolong Wang is een professor in elektrotechniek en informatica aan de UC San Diego Jacobs School of Engineering.

“In een geval is het alsof je een blinde robot leert lopen door alleen de grond aan te raken en te voelen. En in de andere, plant de robot zijn beenbewegingen op basis van zicht alleen. Het leert niet twee dingen tegelijkertijd,” zei Wang. “In ons werk combineren we proprioceptie met computervisie om een vierpotige robot in staat te stellen om efficiënt en soepel te bewegen – terwijl obstakels worden vermeden – in een verscheidenheid aan moeilijke omgevingen, niet alleen goed gedefinieerde.”

Het systeem dat door het team is ontwikkeld, is afhankelijk van een speciale set algoritmes om gegevens van real-time beelden, die zijn gemaakt door een dieptecamera op de robot zijn hoofd, te combineren met gegevens van sensoren op de robot zijn benen.

Echter, zei Wang dat dit een moeilijke taak was.

“Het probleem is dat er tijdens de werkelijke bedrijfsvoering soms een kleine vertraging is in het ontvangen van beelden van de camera, zodat de gegevens van de twee verschillende zintuiglijke modaliteiten niet altijd tegelijkertijd aankomen,” legde hij uit.

Het team loste deze uitdaging op door de mismatch te simuleren door de twee sets invoer te randomizeren. De onderzoekers noemen deze techniek multi-modale vertraging randomisatie, en ze gebruikten deze gerandomiseerde invoer om met versterkingsleren een besturingsstrategie te trainen. De aanpak stelde de robot in staat om snel beslissingen te nemen terwijl hij navigeerde, evenals veranderingen in zijn omgeving te anticiperen. Deze mogelijkheden stelden de robot in staat om sneller over verschillende soorten terreinen te bewegen en obstakels te vermijden zonder hulp van een menselijke operator.

Het team zal nu proberen om vierpotige robots nog veelzijdiger te maken, zodat ze op nog complexere terreinen kunnen opereren.

“Op dit moment kunnen we een robot trainen om eenvoudige bewegingen te maken, zoals lopen, rennen en obstakels vermijden,” zei Wang. “Onze volgende doelen zijn om een robot in staat te stellen om trappen op en af te lopen, over stenen te lopen, van richting te veranderen en over obstakels te springen.”

Alex leidt de AI-gedreven nieuwsoperaties van Unite.AI, waarbij journalistiek, onderzoek en automatisering worden gecombineerd om tijdige en schaalbare berichtgeving over kunstmatige intelligentie te ondersteunen. Zijn werk helpt ervoor te zorgen dat opkomende AI-ontwikkelingen efficiënt naar voren worden gebracht, terwijl de redactionele normen van de publicatie worden gehandhaafd.