Forskere utvikler avansert baneplanleggingsmetode for roboter

Forskere ved University of Michigan har utviklet en ny baneplanleggingstilnærming som setter fart på roboter over ulendt terreng. Den nyutviklede algoritmen var i stand til å finne vellykkede veier tre ganger så ofte som standardalgoritmer, og den krevde langt mindre behandlingstid. 

Forskningen ble publisert i Autonome roboter. 

Utvikle den nye algoritmen

Algoritmen var spesielt rettet mot roboter som bruker armlignende vedheng for å opprettholde balansen i ulendt terreng, som katastrofeområder og byggeplasser. 

Dmitry Berenson er førsteamanuensis i elektro- og datateknikk og kjernefakultet ved Robotics Institute. 

"I en kollapset bygning eller i svært ulendt terreng vil en robot ikke alltid være i stand til å balansere seg selv og bevege seg fremover med bare føttene," sa Berenson. "Du trenger nye algoritmer for å finne ut hvor du skal sette både føtter og hender. Du må koordinere alle disse lemmene sammen for å opprettholde stabilitet, og det som koker ned til er et veldig vanskelig problem.»

Den nye forskningen hjelper roboter med å finne ut hvor vanskelig et terreng er før de beregner den beste veien videre.

Yu-Chi Lin er nylig utdannet robotikk Ph.D og programvareingeniør ved Neuro Inc. 

"Først brukte vi maskinlæring for å trene roboten på de forskjellige måtene den kan plassere hender og føtter for å opprettholde balansen og gjøre fremskritt," sa Lin. "Deretter, når den plasseres i et nytt, komplekst miljø, kan roboten bruke det den lærte til å bestemme hvor gjennomkjørbar en sti er, slik at den kan finne en vei til målet mye raskere."

Til tross for den nye og forbedrede metoden, tar det fortsatt lang tid å planlegge en vellykket lang vei mens man bruker tradisjonelle planleggingsalgoritmer.

"Hvis vi prøvde å finne alle hånd- og fotplasseringene over en lang sti, ville det ta veldig lang tid," sa Berenson.

Splitt og hersk

For å komme rundt dette, stolte teamet på en "del-og-hersk"-tilnærming. De deler opp stien i tøffe seksjoner og seksjoner som er lettere å krysse. Med førstnevnte bruker robotene sin læringsbaserte metode, og med sistnevnte bruker de en enklere veiplanlegging. 

"Det høres enkelt ut, men det er veldig vanskelig å vite hvordan man deler opp problemet riktig, og hvilken planleggingsmetode som skal brukes for hvert segment," sa Lin.

For at dette skal skje, trenger forskerne en geometrisk modell av hele miljøet, som de kan få ved å fly en drone som speider foran roboten.

Teamet opprettet et virtuelt eksperiment med en humanoid robot i en korridor av steinsprut, og resultatene viste at teamets metode overgikk tidligere metoder i suksess og total tid til å planlegge. Dette er avgjørende under katastrofescenarier. 

Av 50 forsøk nådde teamets metode målet 84 % av tiden sammenlignet med 26 % for den grunnleggende stiplanleggeren. Det tok bare litt over to minutter å planlegge sammenlignet med over tre minutter for den grunnleggende stiplanleggeren. 

I tillegg til dette, demonstrerte teamet også hvordan metoden deres kan fungere i den virkelige verden med en robot på hjul med en torso og to armer. Basen til roboten ble plassert på en bratt rampe, og den brukte "hendene" for å støtte seg opp mens en ujevn overflate beveget seg. Teamets metode gjorde at roboten kunne planlegge en bane på litt over en tiendedel av et sekund, sammenlignet med litt over 3.5 sekunder med den grunnleggende stiplanleggeren. 

Teamet vil nå se mot å innlemme dynamisk stabil bevegelse, som ligner den naturlige bevegelsen til mennesker og dyr. Dette vil forbedre robotens bevegelseshastighet, siden den ikke trenger å være konstant i balanse.