Команда инженеров-робототехников из Лаборатории роботизированных систем в Швейцарии разработала гибридную архитектуру управления, которая сочетает в себе преимущества современных систем управления четвероногими роботами, чтобы предоставить четвероногим роботам лучшие возможности передвижения по пересеченной местности.
Для своего проекта, о котором сообщается в журнале Science Robots, группа объединила части двух используемых в настоящее время технологий для повышения маневренности четвероногих.
Как отмечает исследовательская группа, в настоящее время производители роботов используют два основных метода, позволяющих четвероногим роботам передвигаться по пересеченной местности. Первая называется оптимизацией траектории с обратной динамикой; вторая использует обучение с подкреплением на основе моделирования.
Первый подход основан на модели, и хотя он предлагает множество преимуществ, таких как возможность обучения робота и, таким образом, обретения способностей к планированию, он также страдает от несоответствий между тем, что было изучено, и реальными условиями.
Второй подход надежен, особенно в том, что касается навыков восстановления, но слаб в применении вознаграждений от особо сложных условий, таких как условия с небольшим количеством «безопасных» точек опоры.
В рамках этого нового исследования исследовательская группа попыталась преодолеть некоторые проблемы, возникающие при использовании других подходов, и в то же время реализовать функции, которые хорошо работают. В результате получилось то, что исследовательская группа называет конвейером (системой управления), который они называют Deep Tracking Control, и они реализовали это в роботе, который они называют ANYmal.
Исследователи несколько лет работали над своими идеями с различными партнерами — в 2019 году, например, они работали с Intelligent Systems Lab, чтобы найти способ использовать технику машинного обучения, чтобы сделать робота, похожего на собаку, более гибким и быстрым. И два года назад они обучали своего робота ходить пешком.
Разработка DTC состояла из четырех этапов: определение параметров и оценка неопределенностей, обучение сети привода моделированию динамики программного обеспечения, управление политикой с использованием созданных моделей и внедрение в физическую систему. В рамках физической реализации DTC был обучен на данных 4000 виртуальных симуляций роботов, охватывающих широкий спектр элементов ландшафта на площади 76 000 квадратных метров
Тестирование ANYmal показало, что его способность оптимизировать траектории с помощью усилений позволила ему лучше позиционировать ноги в условиях изменяющейся местности, что, в свою очередь, позволило найти наилучшие возможные точки опоры, учитывая те, которые были доступны. Это также позволило улучшить восстановление при падении. В совокупности эти возможности позволили роботу преодолевать сложные ландшафты с меньшим количеством отказов, чем другим роботам.
