SG.hu
Akadálypályán mutatta be robotja tudását az ETH Zürich
A svájci egyetem négylábú robotja katasztrófa sújtotta területeken történő keresés-mentésre készült.
ANYmal egy kutyaszerű robot, amelyet a svájci ETH Zürich kutatói terveztek építkezéseken vagy katasztrófa sújtotta területeken történő munkára. Robotjuk kezdetleges parkour mozdulatokat is végre tud hajtani - az ezt a sportot űző emberek figyelemre méltóan akrobatikus mutatványaival ugyan nem tudja felvenni a versenyt, de képes szakadékon átugrani, akadályokról lemászni vagy szűk helyekre bebújni, és alattuk átmanőverezni magát - olvasható a Science Robotics című folyóiratban megjelent tanulmányban.
Az ETH Zürich csapata 2019-ben mutatta be először ANYmal-t, mint a megerősítéses tanulás tesztpéldányát. Azóta rengeteget fejlesztettek a szerkezet propriocepcióján (a mozgás, a cselekvés és a hely érzékelésének képességén). A csapat tavaly a zord holdi és marsi terephez hasonló környezetben tesztelt példányokat, ahol a járni képes robotok segíthetik a jövőbeli rovereket, és csökkenthetik a laza regolitban való munkát. Három bemutatott masinájuk mindegyike egy funkcióra specializálódott, és mégis elég rugalmasak voltak ahhoz, hogy helyettesítsék egymást - ha az egyik meghibásodik, a többi át tudja venni a feladatát.
A Scout (felderítő) modell fő feladata például az volt, hogy RGB-kamerák segítségével felmérje a környezetét. Ez a robot egy másik képalkotót is használt, hogy a fényspektrum különböző területeit átengedő szűrők segítségével feltérképezze az érdeklődésre számot tartó objektumokat. A Scientist (tudós) modell különlegessége egy MIRA (Metrohm Instant Raman Analyzer) és egy MICRO (mikroszkopikus képalkotó) kamerával ellátott kar volt. A MIRA képes volt azonosítani a demonstrációs terület felszínén lévő vegyi anyagokat annak alapján, hogy hogyan szórják a fényt, míg a csuklóján lévő MICRO közelről lefényképezte azokat. A Hybrid inkább általános feladatokat látott el, segített a "felderítőnek" és a "tudósnak" az olyan tudományos célpontok felmérésében, mint a sziklák és kráterek.
Bármilyen fejlettek is lettek az ANYmal és a hasonló kutyaszerű robotok az elmúlt években, még mindig jelentős kihívások várnak rájuk, mielőtt olyan fürgék és mozgékonyak lesznek, mint az emberek és az állatok. "A projekt megkezdése előtt több kutató kollégám is úgy gondolta, hogy a lábakon járó robotok már elérték a fejlődési lehetőségeik határát" - mondta Nikita Rudin társszerző, az ETH Zürich végzős hallgatója. "Nekem azonban más volt a véleményem. Valójában biztos voltam benne, hogy a lábon járó robotok mechanikájával még sokkal többet lehetne kezdeni."
A parkour meglehetősen összetett robotikai szempontból, így ideális törekvés a svájci csapat számára, hogy az ANYmal képességeinek következő lépcsőfokát elérje. A parkour akadályai megkövetelik, hogy a robot "dinamikus manővereket hajtson végre a működtetés határain, miközben pontosan szabályozza a bázis és a végtagok mozgását" - írták a szerzők. A siker érdekében az ANYmalnak képesnek kell lennie érzékelni a környezetét, és alkalmazkodnia kell a gyors változásokhoz, a programozott készségei közül kiválasztva a megvalósítható útvonalat és mozgássorozatot. És mindezt valós időben kell tennie, korlátozott fedélzeti számítástechnika mellett.
A svájci csapat átfogó megközelítése a gépi tanulást modellalapú vezérléssel kombinálja. A feladatot három, egymással összekapcsolt összetevőre osztották fel: egy érzékelési modulra, amely a fedélzeti kamerák és a LiDAR adatainak feldolgozásával becsüli meg a terepviszonyokat; egy mozgásmodulra, amely az egyes terepviszonyok leküzdésére szolgáló mozgások programozott katalógusát tartalmazza; és egy navigációs modulra, amely a mozgásmodult irányítja, hogy közbenső parancsok segítségével válassza ki, milyen készségeket használjon a különböző akadályok és terepviszonyok közötti navigáláshoz.
Rudin például gépi tanulást használt arra, hogy ANYmal próbálgatással szert tegyen néhány új készségre, nevezetesen az akadályok megmászására és annak kitalálására hogyan másszon fel és ugorjon le róluk. A robot kamerája és mesterséges neurális hálózata lehetővé teszi, hogy előzetes betanítás alapján válassza ki a legjobb manővereket. Egy másik végzős hallgató, Fabian Jenelten modellalapú vezérléssel tanította meg az ANYmalnak hogyan ismerje fel a törmelékkupacokban lévő réseket és hogyan küzdje le azokat, kiegészítve a gépi tanulással, hogy a robot rugalmasabban alkalmazhassa az ismert mozgásmintákat a váratlan helyzetekben.
Az ANYmal képes arra, hogy egy dobozról a szomszédos dobozra ugorjon akár 1 méter távolságig. Ehhez a robotnak oldalirányban kell megközelítenie a rést, a lábát a lehető legközelebb kell helyeznie a peremhez, majd három lábát használnia kell az ugráshoz, míg a negyediket kinyújtva landol a másik dobozon. Az ANYmal úgy talpra tud állni az esetleges félrelépésekből és csúszásokból, hogy a súlyát a nem ugró lábak közé helyezi át. A masina képes 1 méter magas dobozról is le-, illetve felmászni, és le tud leguggolni, hogy elérje egy szűk átjáró túloldalát. A csapat az ANYmal járási képességeit is tesztelte, amelynek során a robot lépcsőkön, lejtőkön, véletlenszerű kis akadályokon stb. haladt át sikeresen.
ANYmalnak még mindig megvannak a maga korlátai valós környezetekben, legyen szó akár egy parkour-pályáról vagy egy összedőlt épület törmelékéről. A szerzők megjegyzik, hogy még nem tesztelték megközelítésük skálázhatóságát változatosabb és strukturálatlanabb, az akadályok szélesebb körét tartalmazó forgatókönyvekre. "Még meg kell vizsgálni, hogy a különböző modulok mennyire tudnak általánosítani teljesen új forgatókönyvekre" - írták. A megközelítés időigényes is, mivel nyolc neurális hálózatot igényel, amelyeket külön-külön kell hangolni, és a hálózatok egy része egymásra van utalva, így az egyik megváltoztatása a többi megváltoztatását és újratanítását is jelenti.
Ennek ellenére az ANYmal "most már képes fejlődni olyan összetett jelenetekben, ahol nagy akadályokon kell másznia és ugrálnia, miközben nem triviális utat választ a célpontja felé" - írták a szerzők. Így "az akadályfutók mozgékonyságának elérésére törekedve jobban megérthetjük az érzékeléstől a működtetésig tartó tanulási útvonal minden egyes komponensének korlátait, megkerülhetjük ezeket a korlátokat, és általánosságban növelhetjük robotjaink képességeit".
ANYmal egy kutyaszerű robot, amelyet a svájci ETH Zürich kutatói terveztek építkezéseken vagy katasztrófa sújtotta területeken történő munkára. Robotjuk kezdetleges parkour mozdulatokat is végre tud hajtani - az ezt a sportot űző emberek figyelemre méltóan akrobatikus mutatványaival ugyan nem tudja felvenni a versenyt, de képes szakadékon átugrani, akadályokról lemászni vagy szűk helyekre bebújni, és alattuk átmanőverezni magát - olvasható a Science Robotics című folyóiratban megjelent tanulmányban.
Az ETH Zürich csapata 2019-ben mutatta be először ANYmal-t, mint a megerősítéses tanulás tesztpéldányát. Azóta rengeteget fejlesztettek a szerkezet propriocepcióján (a mozgás, a cselekvés és a hely érzékelésének képességén). A csapat tavaly a zord holdi és marsi terephez hasonló környezetben tesztelt példányokat, ahol a járni képes robotok segíthetik a jövőbeli rovereket, és csökkenthetik a laza regolitban való munkát. Három bemutatott masinájuk mindegyike egy funkcióra specializálódott, és mégis elég rugalmasak voltak ahhoz, hogy helyettesítsék egymást - ha az egyik meghibásodik, a többi át tudja venni a feladatát.
A Scout (felderítő) modell fő feladata például az volt, hogy RGB-kamerák segítségével felmérje a környezetét. Ez a robot egy másik képalkotót is használt, hogy a fényspektrum különböző területeit átengedő szűrők segítségével feltérképezze az érdeklődésre számot tartó objektumokat. A Scientist (tudós) modell különlegessége egy MIRA (Metrohm Instant Raman Analyzer) és egy MICRO (mikroszkopikus képalkotó) kamerával ellátott kar volt. A MIRA képes volt azonosítani a demonstrációs terület felszínén lévő vegyi anyagokat annak alapján, hogy hogyan szórják a fényt, míg a csuklóján lévő MICRO közelről lefényképezte azokat. A Hybrid inkább általános feladatokat látott el, segített a "felderítőnek" és a "tudósnak" az olyan tudományos célpontok felmérésében, mint a sziklák és kráterek.
Bármilyen fejlettek is lettek az ANYmal és a hasonló kutyaszerű robotok az elmúlt években, még mindig jelentős kihívások várnak rájuk, mielőtt olyan fürgék és mozgékonyak lesznek, mint az emberek és az állatok. "A projekt megkezdése előtt több kutató kollégám is úgy gondolta, hogy a lábakon járó robotok már elérték a fejlődési lehetőségeik határát" - mondta Nikita Rudin társszerző, az ETH Zürich végzős hallgatója. "Nekem azonban más volt a véleményem. Valójában biztos voltam benne, hogy a lábon járó robotok mechanikájával még sokkal többet lehetne kezdeni."
A parkour meglehetősen összetett robotikai szempontból, így ideális törekvés a svájci csapat számára, hogy az ANYmal képességeinek következő lépcsőfokát elérje. A parkour akadályai megkövetelik, hogy a robot "dinamikus manővereket hajtson végre a működtetés határain, miközben pontosan szabályozza a bázis és a végtagok mozgását" - írták a szerzők. A siker érdekében az ANYmalnak képesnek kell lennie érzékelni a környezetét, és alkalmazkodnia kell a gyors változásokhoz, a programozott készségei közül kiválasztva a megvalósítható útvonalat és mozgássorozatot. És mindezt valós időben kell tennie, korlátozott fedélzeti számítástechnika mellett.
A svájci csapat átfogó megközelítése a gépi tanulást modellalapú vezérléssel kombinálja. A feladatot három, egymással összekapcsolt összetevőre osztották fel: egy érzékelési modulra, amely a fedélzeti kamerák és a LiDAR adatainak feldolgozásával becsüli meg a terepviszonyokat; egy mozgásmodulra, amely az egyes terepviszonyok leküzdésére szolgáló mozgások programozott katalógusát tartalmazza; és egy navigációs modulra, amely a mozgásmodult irányítja, hogy közbenső parancsok segítségével válassza ki, milyen készségeket használjon a különböző akadályok és terepviszonyok közötti navigáláshoz.
Rudin például gépi tanulást használt arra, hogy ANYmal próbálgatással szert tegyen néhány új készségre, nevezetesen az akadályok megmászására és annak kitalálására hogyan másszon fel és ugorjon le róluk. A robot kamerája és mesterséges neurális hálózata lehetővé teszi, hogy előzetes betanítás alapján válassza ki a legjobb manővereket. Egy másik végzős hallgató, Fabian Jenelten modellalapú vezérléssel tanította meg az ANYmalnak hogyan ismerje fel a törmelékkupacokban lévő réseket és hogyan küzdje le azokat, kiegészítve a gépi tanulással, hogy a robot rugalmasabban alkalmazhassa az ismert mozgásmintákat a váratlan helyzetekben.
Az ANYmal képes arra, hogy egy dobozról a szomszédos dobozra ugorjon akár 1 méter távolságig. Ehhez a robotnak oldalirányban kell megközelítenie a rést, a lábát a lehető legközelebb kell helyeznie a peremhez, majd három lábát használnia kell az ugráshoz, míg a negyediket kinyújtva landol a másik dobozon. Az ANYmal úgy talpra tud állni az esetleges félrelépésekből és csúszásokból, hogy a súlyát a nem ugró lábak közé helyezi át. A masina képes 1 méter magas dobozról is le-, illetve felmászni, és le tud leguggolni, hogy elérje egy szűk átjáró túloldalát. A csapat az ANYmal járási képességeit is tesztelte, amelynek során a robot lépcsőkön, lejtőkön, véletlenszerű kis akadályokon stb. haladt át sikeresen.
ANYmalnak még mindig megvannak a maga korlátai valós környezetekben, legyen szó akár egy parkour-pályáról vagy egy összedőlt épület törmelékéről. A szerzők megjegyzik, hogy még nem tesztelték megközelítésük skálázhatóságát változatosabb és strukturálatlanabb, az akadályok szélesebb körét tartalmazó forgatókönyvekre. "Még meg kell vizsgálni, hogy a különböző modulok mennyire tudnak általánosítani teljesen új forgatókönyvekre" - írták. A megközelítés időigényes is, mivel nyolc neurális hálózatot igényel, amelyeket külön-külön kell hangolni, és a hálózatok egy része egymásra van utalva, így az egyik megváltoztatása a többi megváltoztatását és újratanítását is jelenti.
Ennek ellenére az ANYmal "most már képes fejlődni olyan összetett jelenetekben, ahol nagy akadályokon kell másznia és ugrálnia, miközben nem triviális utat választ a célpontja felé" - írták a szerzők. Így "az akadályfutók mozgékonyságának elérésére törekedve jobban megérthetjük az érzékeléstől a működtetésig tartó tanulási útvonal minden egyes komponensének korlátait, megkerülhetjük ezeket a korlátokat, és általánosságban növelhetjük robotjaink képességeit".