В последние годы робототехники разработали мобильных роботов с широким спектром анатомии и возможностей. Класс робототехнических систем, который оказался особенно перспективным для навигации в неструктурированных и динамических средах, — это роботы с ногами (т. е. роботы с двумя или более ногами, которые часто напоминают животных).
Хотя роботы на ногах являются очень многообещающими системами, надежное управление их движениями или передвижением может быть сложной задачей. В то время как некоторые команды ранее создавали контроллеры движения вручную, другие пытались программировать их автоматически, используя алгоритмы машинного обучения. Их автоматическое проектирование может быть выгодным, но, как правило, это влечет за собой обучение алгоритмов машинного обучения в течение длительных периодов времени.
Матиас Тор и Порамате Манунпонг, два исследователя из Института Мерска Мак-Кинни Мёллера Университета Южной Дании, недавно разработали альтернативный подход к контроллерам поездов для передвижения роботов на ногах. Этот подход, представленный в статье, опубликованной в журнале Nature Machine Intelligence , может быть использован для достижения двигательного поведения различной сложности за короткие промежутки времени.
«Наша статья была основана на моей предыдущей работе, в которой я использовал центральные генераторы паттернов (CPG) для управления движением роботов на ногах», — сказал TechXplore Матиас Тор, один из исследователей, проводивших исследование. «Основная цель этого нового исследования состояла в том, чтобы показать, что контроллер движения может быть простым и понятным, но при этом способным генерировать сложное двигательное поведение».
Новый гибкий контроллер, разработанный Тором и Манунпонгом, основан на биологическом искусственном генераторе центральных паттернов (CPG) и премоторной нейронной сети. GPG — это биологические нейронные цепи, которые позволяют животным врожденно двигаться в ритмическом порядке, что приводит к такому поведению, как дыхание, ходьба, полет и плавание. В последнее время многие ученые-компьютерщики пытаются воспроизвести эти биологические системы в машинах, чтобы обеспечить различные типы передвижения роботов .
«CPG генерирует ритмичный сигнал для двигателей, а премоторная нейронная сеть изменяет выходной сигнал CPG для повышения производительности », — объяснил Тор. «Изменение формы основано на морфологии робота и сенсорной обратной связи. Ключевые преимущества нашего подхода к управлению заключаются в том, что он быстро обучается, понятен и модульен».
В рамках своего исследования ученые оценили свой подход на реальном физическом роботе с шестью ногами, названном MORF. В своих тестах они обнаружили, что он достиг замечательных результатов, создавая двигательное поведение, к которому они стремились, после очень короткого времени обучения.
Новый подход также очень гибкий и адаптируемый, поскольку он позволяет разработчикам легко добавлять новые модули, специфичные для поведения, создавая все более сложные модели передвижения. В будущем робототехники и специалисты по информатике во всем мире смогут использовать его для быстрого обучения широкого круга роботов с ногами, чтобы они могли ориентироваться в окружающей среде новыми и эффективными способами.
«При использовании нашего подхода контроллеры движения не должны быть сложными или тренироваться в течение многих часов или дней», — добавил Тор. «Наоборот, сложная локомоция может возникнуть из множества простых модулей, работающих параллельно. Поскольку контроллер может изучить новое поведение менее чем за 30 минут, мы хотим изучить поведение локомоции непосредственно на реальном роботе с ногами, а не на смоделированном. .»
Дополнительная информация: Матиас Тор и др., Универсальное модульное нейронное управление движением с быстрым обучением, Nature Machine Intelligence (2022). DOI: 10.1038/s42256-022-00444-0
Будьте в курсе в удобном формате, присоединяйтесь: TG-канал и ВК
Бесплатная служба распространения новостей для научных организаций и стартапов
hello@technovery.com