Ett nytt ramverk möjliggör djurliknande smidiga rörelser hos fyrbenta robotar

13 juli 2024 funktion

Den här artikeln har granskats enligt Science X:s redaktionella process och regler. Redaktörerna har markerat följande egenskaper samtidigt som de säkerställt innehållets trovärdighet:

• faktakontrollerad
• peer-reviewed publikation
• pålitlig källa
• korrekturläst

av Ingrid Fadelli , Tech Xplore

Fyrfota djur är medfött kapabla till smidiga och anpassningsbara rörelser, vilket gör det möjligt för dem att röra sig på en bred terräng. Under de senaste decennierna har robotikexperter över hela världen försökt att effektivt återskapa dessa rörelser i fyrbenta robotar.

Beräkningsmodeller tränade via förstärkningsinlärning har visat sig ge särskilt lovande resultat för att möjliggöra smidig rörelse i fyrbenta robotar. Dock tränas dessa modeller vanligtvis i simuleringar och deras prestanda sjunker ibland när de tillämpas på verkliga robotar i verkliga miljöer.

Alternativa tillvägagångssätt för att förverkliga smidig fyrbent rörelse använder sig av inspelat material på rörliga djur som samlats in med hjälp av rörelsesensorer och kameror som demonstrationer, vilka används för att träna kontrollanter (dvs. algoritmer för att utföra robotars rörelser). Det här tillvägagångssättet, kallat 'imitationsinlärning,' visade sig möjliggöra återskapande av djurliknande rörelser i vissa fyrbeniga robotar.

Forskare på Tencent Robotics X i Kina introducerade nyligen en ny hierarkisk ram som kunde underlätta utförandet av djurliknande smidiga rörelser i fyrbenta robotar. Den här ramen, som introducerades i en artikel publicerad i Nature Machine Intelligence, tillämpades initialt på en fyrbent robot vid namn MAX, vilket gav mycket lovande resultat.

'Många ansträngningar har gjorts för att uppnå smidig rörelse i fyrbenta robotar genom klassiska kontrollanter eller förstärkningsinlärningsmetoder,' skrev Lei Han, Qingxu Zhu och deras kollegor i sin artikel. 'Dessa metoder förlitar sig vanligtvis på fysikaliska modeller eller handgjorda belöningar för att noggrant beskriva det specifika systemet, snarare än på en allmän förståelse som djur gör. Vi föreslår en hierarkisk ram för att konstruera kunskap på primitiv-, miljö- och strateginivå som alla är förutbildningsbara, återanvändbara och utvidgbara för benrobotar.'

Den nya ramen som föreslogs av forskarna sträcker sig över tre stadier av förstärkningsinlärning, där varje fokuserar på extrahering av kunskap på olika nivåer av rörelsetillfällen och robotperception. Lagets kontrollant i varje steg av denna inlärning kallas primitiv motorisk kontrollant (PMC), miljö-primitiv motorisk kontrollant (EPMC) och strategisk-miljö-primitiv motorisk kontrollant (SEPMC), respektive.

'Den primitiva modulen sammanfattar kunskap från djurrörelsedata, där vi, inspirerade av stora förutbildade modeller inom språk- och bildförståelse, introducerar djupa generativa modeller för att producera motorstyrningssignaler som stimulerar fyrbenta robotar att agera som riktiga djur,' skrev forskarna. 'Vi formar sedan olika traverseringsförmågor på en högre nivå för att anpassa sig till miljön genom att återanvända den primitiva modulen. Slutligen tränas en strategisk modul, som fokuserar på komplexa efterföljande uppgifter genom att återanvända kunskapen från de tidigare nivåerna.'

Forskarna utvärderade sin föreslagna ram i en serie experiment, där de tillämpade den på en fyrbent robot vid namn MAX. Specifikt gjordes två MAX-robotar för att tävla i en tagliknande lek, och ramen användes för att kontrollera deras rörelser.

'Vi tillämpar de tränade hierarkiska kontrollanterna på MAX-roboten, en fyrbent robot utvecklad internt, för att härma djur, traversera komplexa hinder och leka i ett designat, utmanande fleragent-jaktspel, där livsliknande smidighet och strategi uppstår hos robotarna,' skrev teamet.

I sina initiala tester fann forskarna att deras modell gjorde det möjligt för MAX-roboten att framgångsrikt traversera olika miljöer, utföra smidiga rörelser som liknar djurs. I framtiden kan modellen anpassas och tillämpas på andra fyrbenta robotar, vilket potentiellt möjliggör deras användning i verkliga miljöer.

Mer information: Lei Han et al, Livsliknande smidighet och lek i fyrbenta robotar med hjälp av förstärkningsinlärning och generativa förtränade modeller, Nature Machine Intelligence (2024). DOI: 10.1038/s42256-024-00861-3

© 2024 Science X Network