Sådan lærer robotter at vandre

ETH Zürich-forskere ledet af Marco Hutter udviklede en ny kontrolmetode, der gør det muligt for en robot med ben, kaldet ANYmal, at bevæge sig hurtigt og robust over vanskeligt terræn. Takket være maskinlæring kan robotten for første gang kombinere sin visuelle opfattelse af omgivelserne med sin følesans.

Stejle sektioner på glat underlag, høje trappetrin, bakkedrag og skovstier fulde af rødder:Stien op ad det 1.098 meter høje Etzel-bjerg i den sydlige ende af Zürich-søen er spækket med talrige forhindringer. Men ANYmal, den firbenede robot fra Robotic Systems Lab ved ETH Zürich, overvinder de 120 lodrette meter ubesværet på en 31-minutters vandretur. Det er 4 minutter hurtigere end den estimerede varighed for menneskelige vandrere – og uden fald eller fejltrin.

Dette er muliggjort af en ny kontrolteknologi, som forskere ved ETH Zürich ledet af robotikprofessor Marco Hutter for nylig præsenterede i tidsskriftet Science Robotics . "Roboten har lært at kombinere visuel opfattelse af sit miljø med proprioception - dens følesans - baseret på direkte benkontakt. Dette gør det muligt for den at tackle ujævnt terræn hurtigere, mere effektivt og frem for alt mere robust," siger Hutter. I fremtiden kan ANYmal bruges overalt, der er for farligt for mennesker eller for ufremkommeligt for andre robotter.

Opfattelse af miljøet præcist

For at navigere i vanskeligt terræn kombinerer mennesker og dyr helt automatisk den visuelle opfattelse af deres omgivelser med proprioceptionen af ​​deres ben og hænder. Dette giver dem mulighed for nemt at håndtere glat eller blødt underlag og bevæge sig rundt med selvtillid, selv når sigtbarheden er lav. Indtil nu har robotter med ben kun været i stand til dette i begrænset omfang.

"Årsagen er, at oplysningerne om det umiddelbare miljø optaget af lasersensorer og kameraer ofte er ufuldstændige og tvetydige," forklarer Takahiro Miki, en doktorand i Hutters gruppe og hovedforfatter af undersøgelsen. For eksempel optræder højt græs, lavvandede vandpytter eller sne som uoverstigelige forhindringer eller er delvist usynlige, selvom robotten faktisk kunne krydse dem. Derudover kan robottens udsyn blive sløret i marken af ​​vanskelige lysforhold, støv eller tåge.

"Det er grunden til, at robotter som ANYmal selv skal kunne bestemme, hvornår de skal stole på den visuelle opfattelse af deres omgivelser og bevæge sig hurtigt fremad, og hvornår det er bedre at gå forsigtigt og med små skridt," siger Miki. "Og det er den store udfordring."

En virtuel træningslejr

Takket være en ny controller baseret på et neuralt netværk er den benede robot ANYmal, som er udviklet af ETH Zürich-forskere og kommercialiseret af ETH-spin-off ANYbotics, nu i stand til at kombinere ekstern og proprioceptiv opfattelse for første gang. Før robotten kunne sætte sine evner på prøve i den virkelige verden, udsatte forskerne systemet for adskillige forhindringer og fejlkilder i en virtuel træningslejr. Dette lader netværket lære den ideelle måde for robotten at overvinde forhindringer på, samt hvornår den kan stole på miljødata – og hvornår det er bedre at ignorere disse data.

"Med denne træning er robotten i stand til at mestre det sværeste naturlige terræn uden at have set det før," siger ETH Zürich Professor Hutter. Dette fungerer, selvom sensordataene på det umiddelbare miljø er tvetydige eller vage. ANYmal spiller det sikkert og stoler på dets proprioception. Ifølge Hutter giver dette robotten mulighed for at kombinere det bedste fra begge verdener:hastigheden og effektiviteten af ​​ekstern sansning og sikkerheden ved proprioceptiv sansning.

Brug under ekstreme forhold

Uanset om det er efter et jordskælv, efter en atomkatastrofe eller under en skovbrand, kan robotter som ANYmal primært bruges overalt, hvor det er for farligt for mennesker, og hvor andre robotter ikke kan klare det vanskelige terræn.

I september sidste år var ANYmal i stand til at demonstrere, hvor godt den nye kontrolteknologi fungerer ved DARPA Subterranean Challenge, verdens mest kendte robotkonkurrence. ETH Zürich-robotten overvandt automatisk og hurtigt adskillige forhindringer og vanskeligt terræn, mens den autonomt udforskede et underjordisk system af smalle tunneller, huler og byinfrastruktur. Dette var en stor del af grunden til, at ETH Zürich-forskerne, som en del af CERBERUS-teamet, tog førstepladsen med en præmie på 2 millioner dollars.