Учени разработиха нова система за управление на хуманоидни роботи, която им позволява да се движат с изненадваща пъргавина и да изпълняват движения, вдъхновени от паркур. Технологията комбинира компютърно зрение, машинно обучение и анализ на човешки движения.
Резултатът от научната разработка е робот, способен да тича, прескача и преодолява препятствия в сложна среда – умение с потенциално значение за спасителни мисии, индустриална инспекция и автономна роботика.
Разширяване на възможностите
Хуманоидните роботи – системи с човекоподобна конструкция – постепенно се превръщат в една от най-обещаващите платформи за автоматизация на задачи, които днес се изпълняват от хора.
През последните години изследователи в областта на роботиката и компютърните науки работят усилено, за да разширят техните възможности и да подобрят начина, по който се придвижват в реална среда.
Екип учени от Amazon Frontier AI & Robotics и Университета на Калифорния в Бъркли представи нова рамка за управление на хуманоидни роботи, наречена Perceptive Humanoid Parkour (PHP). Тя позволява на роботите да се движат с впечатляваща динамика – да тичат, скачат и се катерят по препятствия в градска или естествена среда.
Подходът, описан в научна публикация в архива arXiv, се базира на обучение на алгоритми върху видеозаписи на хора, практикуващи паркур – популярна дисциплина, при която участниците преминават бързо през сложни пространства, използвайки сила, баланс и ловкост.
„Макар че последните постижения в придвижването на хуманоидни роботи позволяват стабилно ходене върху различни терени, пресъздаването на пъргавината и адаптивността на динамичните човешки движения остава сериозно предизвикателство“, пишат в статията си изследователите Джън У, Сяою Хуан и техните колеги.
Според тях, паркурът в сложна среда изисква не само стабилен контрол на движенията, но и способност за вземане на решения на базата на визуална информация, комбиниране на множество двигателни умения и плавни преходи между тях.
Как роботите се учат на човешки движения
За да създадат системата, учените първо изграждат набор от данни с видеозаписи на хора, изпълняващи различни паркур движения. След това тези движения се разбиват на по-малки, базови елементи, които могат да се комбинират в по-дълги и плавни последователности.
„Нашият първи подход използва техника, известна като „motion matching“ – търсене на най-близките движения в пространство от характеристики, което позволява комбиниране на отделни човешки умения в по-дълги кинематични траектории“, обясняват авторите.
Този метод позволява създаване на сложни вериги от движения, като същевременно запазва естествената плавност и динамика, характерни за човешкото тяло.
След това изследователите обучават специализирани контролери – софтуерни модули, които управляват двигателите на робота. Обучението се извършва чрез „reinforcement learning“ – метод на машинно обучение, при който алгоритмите придобиват умения чрез процес на проба и грешка.
Първоначално контролерите се учат да изпълняват отделни движения. След това тези функции се обединяват в един общ контролер, който използва изображения от сензорите на робота, за да планира последователността от действия при среща с препятствия.
Ключов елемент на системата е комбинацията между възприятие и двигателни умения. Роботът използва дълбочинни сензори и команда за двумерна скорост, за да реши дали да прескочи, да се качи върху препятствие, да го преодолее с отскок или да се спусне от него.
Робот, който се движи като човек
Изследователите вече са тествали системата в серия реални експерименти с хуманоидния робот Unitree G1, разработен от китайската компания Unitree Robotics. Резултатите са впечатляващи.
Роботът успява да се движи с висока динамика и да преодолява препятствия с движения, напомнящи тези на паркур атлети.
„Проведохме мащабни експерименти в реална среда с робота Unitree G1 и демонстрирахме сложни паркур умения – включително изкачване на препятствия с височина до 1,25 метра, което е около 96% от височината на самия робот“, пишат авторите.
Освен това роботът успява да премине през серия от различни препятствия, като адаптира движенията си в реално време при промени в средата.
Разработеният подход може в бъдеще да се използва за възпроизвеждане и на други сложни човешки движения и поведения. Системата може да бъде тествана и върху други типове хуманоидни роботи или в по-разнообразни реални условия.
Подобни технологии обещават появата на роботи, които могат да се придвижват в сложни пространства със скорост и ловкост, сравними с човешките – а в някои случаи дори по-високи.
Това развитие би позволило използване на хуманоидните роботи в спасителни операции, при търсене на хора след бедствия, в инспекция на индустриални съоръжения или при изследване на опасни среди.
