Исследовательская группа с кафедры машиностроения Корейского института передовых технологий (KAIST) разработала технологию управления четвероногим роботом, который может ловко перемещаться по деформируемой местности, такой как песчаный пляж.
Команда разработала технологию моделирования силы и нейронную сети, способную принимать решения в реальном времени для адаптации к различным типам поверхности земли во время перемещения робота, и применила ее для обучения с подкреплением.
Ожидается, что обученный нейросетевой контроллер расширит сферу применения четвероногих шагающих роботов, доказав свою устойчивость на изменяющейся местности, включая способность двигаться на высокой скорости даже по песчаному пляжу, а также ходить и поворачивать на мягких грунтах без потери равновесия.
Это исследование опубликовано в журнале Science Robotics под названием "Learning quadrupedal locomotion on deformable terrain".
Обучение с подкреплением - это метод обучения ИИ, в котором агент взаимодействует с окружающей средой и использует этот набор данных для выполнения задачи. Поскольку объем данных, необходимых для обучения с подкреплением, очень велик, широко используется метод сбора данных с помощью виртуальных симуляций.
В частности, контроллеры на основе обучения в области шагающих роботов были применены в реальной среде после обучения на основе данных, собранных в симуляциях. Но поскольку производительность контроллера, основанного на обучении, быстро снижается, когда реальная среда имеет какие-либо расхождения с изученной смоделированной средой, важно реализовать среду, подобную реальной, на этапе сбора данных. Поэтому, чтобы создать обучаемый контроллер, способный поддерживать баланс на деформирующейся поверхности, симулятор должен обеспечивать схожий опыт контакта.
Исследовательская группа определила модель, которая предсказывает силу, возникающую при контакте с поверхностью, исходя из динамики движения шагающего тела на основе модели силы реакции на грунт, которая учитывает дополнительный эффект массы гранулированной среды. Кроме того, благодаря расчету силы, возникающей при одном или нескольких контактах на каждом шаге, удалось эффективно смоделировать деформацию рельефа.
Исследовательская группа также внедрила структуру искусственной нейронной сети, которая неявно предсказывает характеристики грунта с помощью рекуррентной нейронной сети, анализирующей временные ряды данных с датчиков робота.
Созданный контроллер был установлен на робота RaiBo, который был построен исследовательской группой и продемонстрировал ходьбу со скоростью до 3,03 м/с на песчаном пляже, где ноги робота были погружены в песок. Даже при перемещении по более твердым грунтам, таким как газон и беговые дорожки, RaiBo смог стабильно бежать, адаптируясь к характеристикам грунта без дополнительного программирования или пересмотра алгоритма управления.
Ожидается, что методология моделирования и обучения, разработанная исследовательской группой, будет способствовать выполнению роботами практических задач.
Комментарии
(0) Добавить комментарий