Lagekostenrobot navigeert bijna elk obstakel

Een team van onderzoekers heeft een robotsysteem ontwikkeld dat een lagekosten-, kleine, geledede robot in staat stelt om bijna elk obstakel of terrein te navigeren. De robot kan trappen op- en afgaan die bijna even hoog zijn als hijzelf, of door rotsachtig, glibberig, oneven, steil en gevarieerd terrein navigeren. Hij kan ook over kloven lopen, rotsen beklimmen en in het donker opereren.

Het project om het systeem te ontwikkelen werd uitgevoerd door onderzoekers aan de Carnegie Mellon University’s School of Computer Science en de University of California, Berkeley.

Kleine robots voorzien van nieuwe vaardigheden

Deepak Pathak is een assistent-professor in het Robotics Institute.

“Het voorzien van kleine robots van de mogelijkheid om trappen te beklimmen en verschillende omgevingen te hanteren is cruciaal voor het ontwikkelen van robots die nuttig zullen zijn in mensenhuizen en zoek- en reddingsoperaties”, zei Pathak. “Dit systeem creëert een robuuste en aanpasbare robot die veel alledaagse taken kan uitvoeren.”

De robot werd getest op oneven trappen en hellingen in openbare parken, waarmee zijn vermogen om over stappenstenen en glibberige oppervlakken te lopen werd getest. Hij werd ook opgedragen om trappen te beklimmen die equivalent zouden zijn aan een mens die over een hindernis springt. De robot bereikt een indrukwekkende mogelijkheid om snel aan te passen en het terrein te beheersen door zijn visie en een kleine onboardcomputer te gebruiken.

De robot werd getraind met 4.000 klonen in een simulator. Deze klonen oefenden het lopen en klimmen van complex terrein, en de snelheid van de simulator stelde de robot in staat om zes jaar aan ervaring te verkrijgen in slechts één dag.

De motorvaardigheden die tijdens de training werden geleerd, werden door de simulator opgeslagen in een neurale netwerk, dat de onderzoekers vervolgens naar de echte robot kopieerden. Deze innovatieve aanpak betekende geen handmatige engineeringsprocessen voor de bewegingen van de robot.

Veel van de huidige robotsystemen vertrouwen op camera’s die een kaart van de omgeving creëren, die vervolgens wordt gebruikt om de bewegingen van de robot te plannen voordat ze worden uitgevoerd. Dit proces kan echter langzaam en gevoelig voor fouten zijn vanwege onnauwkeurigheden of misvattingen in de kaartfase. Deze onnauwkeurigheden kunnen de planning en bewegingen beïnvloeden.

Terwijl kaarten en planning nuttig zijn voor systemen die zich richten op hoog niveau controle, zijn ze niet altijd het beste voor de dynamische vereisten van laag niveau vaardigheden, zoals lopen of rennen.

Efficiënt en snel manoeuvreren

Het nieuw ontwikkelde robotsysteem slaat de kaart- en planningsfasen over en routeert de visuele invoer rechtstreeks naar de controle van de robot. Dit betekent dat de robot ziet en beweegt dienovereenkomstig. De doorbraaktechniek stelt de robot in staat om snel en effectief te reageren op zijn complexe terrein.

De bewegingen van de robot worden getraind door machine learning, waardoor de robot lage kosten heeft. De geteste robot was minstens 25 keer goedkoper dan de alternatieven op de markt. Volgens het team kan hun algoritme lagekostenrobots nog toegankelijker maken.

Ananye Agarwal is een SCS Ph.D.-student in machine learning.

“Dit systeem gebruikt visie en feedback van het lichaam rechtstreeks als invoer om opdrachten te geven aan de motoren van de robot”, zei Agarwal. “Deze techniek stelt het systeem in staat om zeer robuust te zijn in de echte wereld. Als het op de trappen glijdt, kan het herstellen. Het kan naar onbekende omgevingen gaan en aanpassen.”

Het robotsysteem werd sterk beïnvloed door de natuur. Voor een robot ter grootte van minder dan een voet hoog, leerde het de bewegingen van mensen die over hoge obstakels stappen om trappen of obstakels ter grootte van hun eigen hoogte te beklimmen. Het systeem gebruikt heupabductie om obstakels te overwinnen die zelfs voor de meest geavanceerde geledede robotsystemen beschikbaar zijn.

Het team keek ook naar vierbenige dieren voor inspiratie.

“Vierbenige dieren hebben een geheugen dat hun achterste benen in staat stelt om de voorste benen te volgen. Ons systeem werkt op een soortgelijke manier”, zei Pathak.

Het onboardgeheugen stelt de achterste benen in staat om te onthouden wat de camera zag, waardoor het obstakels kan manoeuvreren.

Ashish Kumar is een Ph.D.-student aan Berkeley.

“Aangezien er geen kaart is, geen planning, onthoudt ons systeem het terrein en hoe het de voorste poot bewoog en vertaalt dit naar de achterste poot, waardoor het snel en feilloos werkt”, zegt Kumar.

Het nieuwe onderzoek kan een grote rol spelen bij het oplossen van enkele van de belangrijkste uitdagingen die geledede robots omgeven. Het kan zelfs helpen bij het gebruik ervan in huizen.