Neues Rahmenwerk ermöglicht tierähnliche wendige Bewegungen bei Vierbeiner-Robotern
![](/images/blog/image-859.66964053a82511.61880671.jpg)
13. Juli 2024 Funktion
Dieser Artikel wurde gemäß dem redaktionellen Prozess und den Richtlinien von Science X überprüft. Die Herausgeber haben die folgenden Merkmale hervorgehoben, während sie die Glaubwürdigkeit des Inhalts sicherstellten:
- Faktenüberprüfung
- Peer-Review-Veröffentlichung
- Vertrauenswürdige Quelle
- Korrektur gelesen
von Ingrid Fadelli, Tech Xplore
Vierbeinige Tiere sind von Natur aus in der Lage zu agilen und anpassungsfähigen Bewegungen, die es ihnen ermöglichen, sich auf einer Vielzahl von Geländen zu bewegen. In den letzten Jahrzehnten haben Roboterexperten weltweit versucht, diese Bewegungen effektiv in vierbeinigen Robotern nachzubilden.
Berechnungsmodelle, die mithilfe von Verstärkendem Lernen trainiert wurden, haben sich als besonders vielversprechend erwiesen, um agile Fortbewegungen in vierbeinigen Robotern zu ermöglichen. Diese Modelle werden jedoch in der Regel in simulierten Umgebungen trainiert, und ihre Leistung sinkt manchmal, wenn sie auf reale Roboter in der realen Welt angewendet werden.
Alternative Ansätze zur Realisierung agiler vierbeiniger Fortbewegung nutzen Bilder sich bewegender Tiere, die von Bewegungssensoren und Kameras gesammelt wurden, als Demonstrationen, um Controller zu trainieren (d. h. Algorithmen zur Ausführung der Bewegungen von Robotern). Dieser Ansatz, der als 'Imitationslernen' bezeichnet wird, ermöglichte die Nachbildung tierähnlicher Bewegungen in einigen vierbeinigen Robotern.
Forscher von Tencent Robotics X in China haben kürzlich einen neuen hierarchischen Rahmen vorgestellt, der die Ausführung tierähnlicher agiler Bewegungen in vierbeinigen Robotern erleichtern könnte. Dieser Rahmen, der in einem in Nature Machine Intelligence veröffentlichten Artikel eingeführt wurde, wurde zunächst auf einen vierbeinigen Roboter namens MAX angewendet, was äußerst vielversprechende Ergebnisse brachte.
'Zahlreiche Bemühungen wurden unternommen, um agile Fortbewegungen in vierbeinigen Robotern durch klassische Controller oder Verstärkendes Lernen zu erreichen,' schrieben Lei Han, Qingxu Zhu und ihre Kollegen in ihrem Artikel. 'Diese Methoden beruhen in der Regel auf physischen Modellen oder handgefertigten Belohnungen, um das spezifische System genau zu beschreiben, anstatt auf einem generalisierten Verständnis wie es Tiere tun. Wir schlagen einen hierarchischen Rahmen vor, um primitiv-, umgebungs- und strategieleveles Wissen zu konstruieren, das alles vorab trainierbar, wiederverwendbar und erweiterbar für Beinroboter ist.'
Der von den Forschern vorgeschlagene neue Rahmen umfasst drei Stufen des Verstärkenden Lernens, wobei jede Stufe auf die Extraktion von Wissen auf einer anderen Ebene von Fortbewegungsaufgaben und Roboterwahrnehmung abzielt. Der Controller des Teams auf jeder dieser Lernstufen wird jeweils als primitiver Motorcontroller (PMC), umgebungsprimitiver Motorcontroller (EPMC) und strategischer-umgebungsprimitiver Motorcontroller (SEPMC) bezeichnet.
'Das primitive Modul fasst Wissen aus Tierbewegungsdaten zusammen, wobei wir uns von großen vortrainierten Modellen in der Sprach- und Bildverständnis inspirieren lassen, um tief generative Modelle einzuführen, die Motorsteuersignale erzeugen, mit denen Beinroboter dazu angeregt werden, sich wie echte Tiere zu verhalten,' schrieben die Forscher. 'Wir formen dann verschiedene Traversierfähigkeiten auf einer höheren Ebene, um mit der Umgebung übereinzustimmen, indem wir das primitive Modul wiederverwenden. Schließlich wird ein strategisches Modul trainiert, das sich auf komplexe nachgelagerte Aufgaben konzentriert, indem es das Wissen aus den vorangegangenen Ebenen wiederverwendet.'
Die Forscher bewerteten ihren vorgeschlagenen Rahmen in einer Reihe von Experimenten, in denen sie ihn auf einen vierbeinigen Roboter namens MAX anwendeten. Genauer gesagt wurden zwei MAX-Roboter in einem Art Fangenspiel gegeneinander angetreten und der Rahmen wurde zur Steuerung ihrer Bewegungen verwendet.
'Wir wenden die trainierten hierarchischen Controller auf den MAX-Roboter an, einen intern entwickelten vierbeinigen Roboter, um Tiere nachzuahmen, komplexe Hindernisse zu überwinden und in einem konzipierten, herausfordernden Multi-Agenten-Jagdfangenspiel zu spielen, in dem lebensnahe Agilität und Strategie in den Robotern entstehen,' schrieb das Team.
In ihren ersten Tests stellten die Forscher fest, dass ihr Modell es dem MAX-Roboter ermöglichte, erfolgreich verschiedene Umgebungen zu durchqueren, agile Bewegungen auszuführen, die denen von Tieren ähneln. In Zukunft könnte das Modell angepasst und auf andere vierbeinige Roboter angewendet werden, wodurch möglicherweise ihre Bereitstellung in der realen Welt erleichtert wird.
© 2024 Science X Network