Forskere utvikler avansert sti-planlegging for roboter

Forskere ved University of Michigan har utviklet en ny sti-planlegging som øker hastigheten til roboter på uføre terreng. Den nyutviklede algoritmen kunne finne suksessfulle stier tre ganger så ofte som standardalgoritmer, og den krevde mye mindre prosessertid.

Forskningen ble publisert i Autonomous Robots.

Utvikling av den nye algoritmen

Algoritmen var spesifikt rettet mot roboter som bruker arm-lignende utvidelser for å opprettholde balanse på uføre terreng, som katastrofeområder og byggeplasser.

Dmitry Berenson er associate professor of electrical and computer engineering og core faculty ved Robotics Institute.

“I et kollapset bygning eller på svært uføre terreng, vil en robot ikke alltid kunne balansere seg selv og bevege seg fremover med bare føttene,” sa Berenson. “Du trenger nye algoritmer for å finne ut hvor du skal plassere både føtter og hender. Du må koordinere alle disse lemmer sammen for å opprettholde stabilitet, og det er et svært vanskelig problem.”

Den nye forskningen hjelper roboter å bestemme hvor vanskelig et terreng er før de beregner den beste stien fremover.

Yu-Chi Lin er en nylig Ph.D-graduat i robotikk og programvareingeniør ved Neuro Inc.

“Først brukte vi maskinlæring til å trene roboten på de forskjellige måtene den kan plassere hendene og føttene for å opprettholde balanse og gjøre fremgang,” sa Lin. “Deretter, når den ble plassert i en ny, kompleks omgivelse, kunne roboten bruke det den hadde lært til å bestemme hvor gjennomførbar en sti er, og dermed finne en sti til målet mye raskere.”

Til tross for den nye og forbedrede metoden, tar det fortsatt lang tid å planlegge en suksessfull lang sti når man bruker tradisjonelle planleggingsalgoritmer.

“Hvis vi prøvde å finne alle hånd- og fot-plasseringer over en lang sti, ville det ta svært lang tid,” sa Berenson.

https://www.youtube.com/watch?v=X2KZupY8FQY

Del og erobrer

For å komme rundt dette, brukte teamet en “del og erobrer”-tilnærming. De delte stien inn i vanskelige og lettere deler. For de vanskelige delene, brukte robotene sin læring-baserte metode, og for de lettere delene, brukte de en enklere sti-planlegging.

“Det høres enkelt ut, men det er virkelig vanskelig å vite hvordan man skal dele opp problemet riktig, og hvilken planleggingsmetode man skal bruke for hver del,” sa Lin.

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

Teamet skapte en virtuell eksperiment med en humanoid robot i en korridor av ruiner, og resultater viste at teamets metode overgikk tidligere metoder i suksess og total tid til å planlegge. Dette er avgjørende under katastrofe-scenarier.

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

Foruten dette, viste teamet også hvordan deres metode kan fungere i den virkelige verden med en hjulrobot med en torso og to armer. Robotens base ble plassert på en bratt rampe, og den brukte “håndene” sine til å støtte seg selv på en ujevn overflate som beveget seg. Teamets metode gjorde det mulig for roboten å planlegge en sti på bare litt over en tiendedel av en sekund, sammenlignet med litt over 3,5 sekunder med den grunnleggende sti-planleggeren.

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