Forskere utvikler firebeint robot som kan gå på vanskelig terreng

Et team av forskere ved ETH Zurich har utviklet en ny metode som gjør det mulig for en firebeint robot å bevege seg raskt over kompleks terreng. Roboten, som heter ANYmal, bruker maskinlæring til å kombinere visuell persepsjon av omgivelsene og sanse av berøring.

Den firebeinte roboten kunne gå 120 vertikale meter på 31 minutter, som er fire minutter raskere enn den estimerte tiden for menneskelige turgåere uten feil.

Fullstendig ny teknologi

Teknologien som gjør det mulig for ANYmal å kombinere visuell persepsjon og sanse av berøring er fullstendig ny.

Teamet ble ledet av Marco Hutter, og forskningen ble publisert i tidsskriftet Science Robotics.

“Roboten har lært å kombinere visuell persepsjon av omgivelsene med proprioception — sin sans av berøring — basert på direkte kontakt med beina. Dette gjør det mulig for den å takle vanskelig terreng raskere, mer effektivt og, først og fremst, mer robust,” sier Hutter.

Teamet sier at roboten til slutt vil kunne bli deployert hvor som helst det er for farlig for mennesker eller ellers umulig for andre typer roboter å manøvrere.

Mennesker og dyr kombinerer også visuell persepsjon av omgivelsene med sans av berøring fra beina og hendene, noe som gjør det mulig for dem å håndtere vanskelig terreng. Tidligere utviklede firebeinte roboter har bare kunnet gjøre dette i begrenset omfang.

Takahiro Miki er en doktorgradsstudent og hovedforfatter av studien.

“Årsaken er at informasjonen om den umiddelbare omgivelsene som er registrert av lasersensorene og kameraene ofte er ufullstendig og tvetydig,” sa Miki.

“Derfor må roboter som ANYmal kunne bestemme for seg selv når de skal stole på visuell persepsjon av omgivelsene og gå fremover raskt, og når det er bedre å gå fremover forsiktig og med små skritt,” fortsatte Miki. “Og det er den store utfordringen.”

Trening av neuralt nettverk

Den nye teknologien inkluderer en kontroller basert på et neuralt nettverk, som gjør det mulig for ANYmal å kombinere ekstern og proprioceptiv persepsjon for første gang. Forskerne eksponerte først systemet for mange hindringer og feilkilder i en virtuell treningsleir, som gjorde det mulig for nettverket å lære hvordan overvinne hindringer på best mulig måte. Det lærte også når det skulle stole på miljødata og når det skulle ignorere det.

“Med denne treningen kan roboten mestre det vanskeligste naturlige terreng uten å ha sett det før,” sier Hutter.

Roboten kan utføre denne prosessen selv når sensordataene om den umiddelbare omgivelsene er tvetydige eller ufullstendige, på et tidspunkt hvor ANYmal stoler på sin proprioception. Dette gjør det mulig for den å kombinere hastigheten og effektiviteten av ekstern sansning med sikkerheten av proprioceptiv sansning.