Nieuwe algoritmen voor robothonden

Sat Mar 02 2024

03 02

Nieuwe algoritmen voor robothonden

06/10/2022

Door Ad Spijkers

Dankzij nieuwe benadering vermijdt multiterreinrobot met vier poten mensen en andere obstakels.


     

Dankzij een nieuw systeem van algoritmen ontwikkeld door technici aan de University of California San Diego kunnen robots met vierpoten op uitdagend terrein lopen en rennen, terwijl ze zowel statische als bewegende obstakels vermijden. Het werk brengt onderzoekers een stap dichter bij het bouwen van robots die zoek- en reddingsmissies kunnen uitvoeren of informatie kunnen verzamelen op plaatsen die te gevaarlijk of moeilijk zijn voor mensen.

Tijdens tests leidde het systeem een robot autonoom snel over zanderige oppervlakken, grind, gras en hobbelige zandheuvels bedekt met takken en gevallen bladeren. De robot bewoog zonder tegen palen, bomen, struiken, keien, banken of mensen te botsen. De robot navigeerde ook door een drukke kantoorruimte zonder tegen dozen, bureaus of stoelen te botsen.

Veelzijdig

Het systeem biedt een robot met poten meer veelzijdigheid door de manier waarop het het gezichtsvermogen van de robot combineert met een andere waarnemingsmodaliteit, proprioceptie genaamd. Hierbij is het 'gevoel' van beweging, richting, snelheid, locatie en aanraking van de robot betrokken, in dit geval het gevoel van de grond onder zijn voeten. Momenteel zijn de meeste benaderingen om potente robots te trainen om te lopen en te navigeren afhankelijk van proprioceptie of visie, maar niet beide tegelijkertijd.

In hun werk combineerden de onderzoekers proprioceptie met computer vision om een robot met poten efficiënt en soepel te laten bewegen en obstakels te vermijden. De robot bewoog in een verscheidenheid aan uitdagende omgevingen, niet alleen in goed gedefinieerde omgevingen."

Algoritmen

Het systeem dat de onderzoekers hebben ontwikkeld, maakt gebruik van een speciale set algoritmen om gegevens van real-time beelden te combineren met gegevens van sensoren op de benen van de robot. De beelden zijn gemaakt door een dieptecamera op het hoofd van de robot. Dit was echter geen eenvoudige taak. Het probleem is dat er tijdens gebruik soms een kleine vertraging is bij het ontvangen van beelden van de camera. De gegevens van de twee verschillende detectiemodaliteiten komen niet altijd op hetzelfde moment aan bij de besturing.

De oplossing van het team was om deze mismatch te simuleren door de twee sets invoer willekeurig te verdelen. Onderzoekers noemen deze techniek multimodale vertragingsrandomisatie. De gefuseerde en willekeurig gemaakte ingangen werden vervolgens gebruikt om op een end-to-end manier een versterkend leerbeleid te trainen. Deze aanpak hielp de robot om snel beslissingen te nemen tijdens het navigeren en van tevoren te anticiperen op veranderingen in zijn omgeving. Hierdoor kan de machine sneller obstakels verplaatsen en ontwijken op verschillende soorten terreinen zonder de hulp van een menselijke operator.

Voortgang

De onderzoekers werken aan het veelzijdiger maken van robots met poten, zodat ze nog uitdagender terrein kunnen overwinnen. Op dit moment kunnen ze een robot trainen om eenvoudige bewegingen uit te voeren, zoals lopen, rennen en obstakels ontwijken. De volgende doelen zijn om een robot in staat te stellen trappen op en af te lopen, op stenen te lopen, van richting te veranderen en over obstakels te springen.

Het team heeft de code online vrijgegeven op Github.

Foto: UC San Diego Jacobs School of Engineering