IEDEREEN kan parkour doen en over ruïnes lopen. De vierpotige robot keerde terug naar school en leerde veel.
Maak kennis met ANYmal, een vierpotige hondachtige robot ontworpen door onderzoekers van de ETH Zürich in Zwitserland, in de hoop dergelijke robots te gebruiken voor onder meer zoek- en reddingsacties op bouwplaatsen of rampgebieden. Nu is ANYmal geüpgraded om rudimentaire parkour-bewegingen uit te voeren, genaamd “free running”. Menselijke parkour-enthousiastelingen staan bekend om hun extreem behendige, acrobatische prestaties, en hoewel NIEMAND ze kan evenaren, is de robot met succes over gaten gesprongen, grote obstakels op en neer geklommen en laag gehurkt om onder een obstakel te manoeuvreren, aldus een recent tijdschrift. gepubliceerd in het tijdschrift Science Robotics.
Het ETH Zürich-team introduceerde ANYmal’s originele benadering van versterkend leren in 2019 en verbeterde drie jaar later de proprioceptie (het vermogen om beweging, actie en locatie waar te nemen). Vorig jaar introduceerde het team drie op maat gemaakte ANYmal-robots, getest in omgevingen die zo dicht mogelijk bij het ruige maan- en Marsterrein liggen. Zoals eerder gemeld, kunnen robots die kunnen lopen toekomstige rovers helpen en het risico op schade door scherpe randen of verlies van tractie in losse regoliet verkleinen. Elke robot had een lidarsensor. maar elk was gespecialiseerd in bepaalde functies en nog steeds flexibel genoeg om elkaar te ondersteunen – als er één faalde, konden de anderen zijn taken overnemen.
Het hoofddoel van het Scout-model was bijvoorbeeld om de omgeving te verkennen met behulp van RGB-camera’s. Deze robot gebruikte ook een andere beeldsensor om interessante gebieden en objecten in kaart te brengen met behulp van filters die door verschillende delen van het lichtspectrum gaan. Het Scientist-model had een voordeel in de arm die de MIRA (Metrohm Instant Raman Analyzer) en de MICRO (Microscope Imager) bevatte. MIRA kon chemicaliën identificeren in materialen gevonden op het oppervlak van het demonstratiegebied op basis van de manier waarop ze licht verstrooiden, terwijl MICRO om zijn pols er close-upfoto’s van maakte. De hybride was meer een generalist en hielp verkenners en wetenschappers met het meten van wetenschappelijke doelen zoals rotsblokken en kraters.
Zo geavanceerd als welke robot dan ook de afgelopen jaren is geweest, er zijn nog steeds aanzienlijke uitdagingen voordat ze net zo behendig en wendbaar zijn als mensen en andere dieren. “Voordat het project begon, dachten verschillende van mijn collega-onderzoekers dat potende robots de grenzen van hun ontwikkelingspotentieel al hadden bereikt”, zegt co-auteur Nikita Rudin, een afgestudeerde student aan de ETH Zürich die ook parkour beoefent. “Maar ik had een andere mening. Sterker nog, ik was er zeker van dat er veel meer gedaan kon worden met de mechanica van robots op poten.”
ETH Zürich / Nikita Rudin
Parkour is vanuit robotica-oogpunt behoorlijk complex, waardoor het een ideale ambitieuze taak is voor de volgende stap van het Zwitserse team in de capaciteiten van ANYmal. Parkour kan grote obstakels met zich meebrengen, waardoor de robot “dynamische manoeuvres moet uitvoeren op de bedieningslimieten, terwijl hij de beweging van de basis en ledematen nauwkeurig controleert”, schreven de auteurs. Om te slagen moet ELKE mal zijn omgeving kunnen aanvoelen en zich kunnen aanpassen aan snelle veranderingen, waarbij hij een haalbaar pad en een volgorde van bewegingen kan kiezen uit zijn geprogrammeerde vaardigheden. En het moet allemaal in realtime werken met beperkte embedded computing.
De algemene aanpak van het Zwitserse team combineert machinaal leren met modelgebaseerde controle. Ze verdeelden de taak in drie onderling verbonden componenten: een perceptiemodule die gegevens van ingebouwde camera’s en LiDAR verwerkt om het terrein te beoordelen; voortbewegingsmodule met een geprogrammeerde bewegingscatalogus voor het overwinnen van specifieke terreinen; en een navigatiemodule die de voortbewegingsmodule aanstuurt bij het selecteren van de vaardigheden die hij zal gebruiken om door verschillende obstakels en terrein te navigeren met behulp van tussenliggende commando’s.
Rudin gebruikte bijvoorbeeld machinaal leren om IEDEREEN met vallen en opstaan een aantal nieuwe vaardigheden te leren, namelijk het beklimmen van obstakels en het uitzoeken hoe je eraf kunt klimmen en springen. Dankzij de camera en het kunstmatige neurale netwerk van de robot kan hij de beste manoeuvres kiezen op basis van eerdere training. Een andere afgestudeerde student, Fabian Jenelten, gebruikte modelgebaseerde besturing om ANYmal te leren gaten in puinhopen te herkennen en te overbruggen, met behulp van machinaal leren, zodat de robot meer flexibiliteit kon hebben bij het toepassen van bekende bewegingspatronen in onverwachte situaties.
ETH Zürich / Fabian Jenelten
Een van de taken die ANYmal kon uitvoeren was het springen van de ene doos naar een aangrenzende doos op een afstand van maximaal 1 meter. Dit vereiste dat de robot zijwaarts naderde, zijn voeten zo dicht mogelijk bij de rand plaatste en vervolgens drie poten gebruikte om te springen, terwijl hij de vierde uitstak om op de tweede doos te landen. Hij zou dan twee diagonale benen kunnen brengen voordat hij het laatste been over het gat zou brengen. Dit betekende dat IEDEREEN kon herstellen van eventuele misstappen en uitglijden door het gewicht over te brengen tussen de niet-springende benen.
ANYmal kon ook afdalen van een kist van 1 meter hoog om een doel op de grond te bereiken, en ook op de kist klimmen. Hij kan ook hurken om een doel aan de andere kant van een smalle doorgang te bereiken, waarbij hij zijn basis laat zakken en zijn gang dienovereenkomstig aanpast. Het team testte ook de loopmogelijkheden van ANYmal, waarbij de robot met succes trappen, hellingen, willekeurige kleine obstakels, enzovoort overwon.
ANYmal heeft nog steeds zijn beperkingen als het gaat om het navigeren door de echte wereld, of het nu een parkourparcours is of de ruïnes van een ingestort gebouw. De auteurs merken bijvoorbeeld op dat ze de schaalbaarheid van hun benadering van diverse en ongestructureerde scenario’s met een breder scala aan obstakels nog moeten testen; de robot is slechts in een paar geselecteerde scenario’s getest. “Het valt nog te bezien hoe goed deze verschillende modules kunnen worden gegeneraliseerd naar volledig nieuwe scenario’s”, schreven ze. De aanpak is ook tijdrovend omdat er acht neurale netwerken voor nodig zijn die afzonderlijk moeten worden afgestemd, en sommige netwerken zijn onderling afhankelijk, dus het veranderen van het ene betekent het veranderen en opnieuw trainen van de andere.
Niettemin kan ANYmal “nu evolueren in complexe scènes waarin hij over grote obstakels moet klimmen en springen terwijl hij een niet-triviaal pad naar zijn doellocatie kiest”, schreven de auteurs. Daarom, “om de behendigheid van free runners te evenaren, kunnen we de beperkingen van elke component in de pijplijn van perceptie naar actie beter begrijpen, deze beperkingen omzeilen en in het algemeen de mogelijkheden van onze robots vergroten.”
Science Robotics, 2024. DOI: 10.1126/scirobotics.adi7566 (Over DOI).
Foto van lijst ETH Zürich / Nikita Rudin