Perception-and-action system for humanoid robot task execution in construction
Dieses Paper schlägt ein neuartiges Wahrnehmungs- und Aktionssystem vor, das aus Humanoid-PoseNet und Humanoid-ActionNet besteht und es humanoiden Robotern ermöglicht, Konstruktionsaufgaben durch menschliche Demonstrationen zu erlernen und zuverlässig auszuführen, wobei ein durchschnittlicher Bewegungsverfolgungsfehler von 82,45 mm erreicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der Roboter nicht nur klobige Maschinen auf Rädern oder Arme sind, die an eine Wand geschraubt wurden, sondern Partner, die wie wir aussehen und sich wie wir bewegen. Dies ist das Reich der humanoiden Robotik, einem Bereich, der versucht, Maschinen zu bauen, die in unsere menschengemachten Räume – wie Baustellen, Küchen oder Büros – hineingehen und die schwere Arbeit erledigen können, ohne für jeden einzelnen Schritt eine Bedienungsanleitung zu benötigen. Die große Herausforderung? Menschen sind unordentlich, flexibel und einzigartig; Roboter sind präzise, starr und nach spezifischen Bauplänen gebaut. Wenn man versucht, eine menschliche Bewegung direkt auf einen Roboter zu übertragen, könnte der Roboter stolpern, hinfallen oder ein Gelenk brechen, weil seine Beine kürzer sind oder sich seine Hüften anders biegen. Um dies zu lösen, nutzen Wissenschaftler Motion Retargeting (eine schicke Art zu sagen: „menschliche Bewegungen in Roboterbewegungen übersetzen“) und Reinforcement Learning (eine Methode, bei der ein Roboter durch Versuch und Irrtum lernt, wobei er „Belohnungen“ erhält, wenn er aufrecht bleibt, und „Bestrafungen“, wenn er fällt). Das Ziel ist es, Roboter lernen zu lassen, indem sie uns beobachten, damit sie schließlich helfen können, unsere Welt zu bauen, indem sie Ziegel tragen oder Leitern hochklettern, genau wie ein menschlicher Arbeiter es tun würde.
Hier kommt diese neue Studie ins Spiel, die wie ein Meisterübersetzer und ein strenger Trainer für einen Roboter namens Unitree G1 fungiert. Die Forscher wollten sehen, ob ein humanoider Roboter einen Bauarbeiter bei einer Aufgabe beobachten, verstehen, was dieser tut, und dies dann selbst ausführen kann, ohne umzukippen. Sie entwickelten ein zweiteiliges System, um dies zu ermöglichen. Zuerst erschufen sie einen „Übersetzer“ namens Humanoid-PoseNet. Stellen Sie sich dies als ein superintelligentes Kamera-Gehirn vor, das ein Video eines menschlichen Arbeiters beobachtet. Es sieht nicht nur eine Person; es berechnet exakt, wo sich jedes Gelenk im 3D-Raum befindet. Aber hier ist der knifflige Teil: Ein menschlicher Körper ist anders geformt als ein Roboterkörper. Daher schreibt dieses Gehirn die Bewegungen des Menschen sofort in eine Version um, die zu der spezifischen Körperform des Roboters passt, um sicherzustellen, dass der Roboter nicht versucht, seine Gelenke auf unmögliche Weise zu verdrehen.
Sobald der Roboter weiß, was er bewegen muss, muss er auch herausfinden, wie er sich bewegt, ohne zu stürzen. Hier kommt der zweite Teil, Humanoid-ActionNet, ins Spiel. Dies ist der interne Coach des Roboters, der mit einer „Lehrer-Schüler-Methode“ trainiert wurde. Der „Lehrer“ ist eine superstarke Version des Roboters, die in einer Computersimulation lebt und alles über die Physik weiß (wie schwer ein Ziegelstein ist oder wie rutschig der Boden ist). Der Lehrer lernt den perfekten Weg zu sich zu bewegen, um das Gleichgewicht zu halten. Dann lehrt er eine „Schüler“-Version des Roboters. Der Schüler ist derjenige, der tatsächlich in die reale Welt gehen wird, aber er darf sich nicht auf die Geheimnisse der Physik verlassen; er muss lernen, indem er seine eigenen Gelenke spürt und die Zielbewegungen beobachtet, genau wie ein echter Roboter es tun würde. Dies stellt sicher, dass der Roboter nicht verwirrt ist, wenn er die Simulation verlässt und auf eine echte Baustelle tritt, aufgrund der Unterschiede zwischen Simulation und Realität.
Das Team testete dieses System mit 30 verschiedenen Bauaufgaben, vom Tragen schwerer Rohre und dem Stapeln von Materialien bis hin zum Signalisieren mit Flaggen und dem Gehen auf unebenem Boden. Sie begannen damit, fünf freiwillige menschliche Helfer in einem Motion-Capture-Studio bei diesen Aufgaben aufzuzeichnen. Dann ließen sie ihr Robotersystem aus diesen Aufzeichnungen lernen. Die Ergebnisse waren vielversprechend: Der Roboter lernte erfolgreich, acht dieser komplexen Bauhandlungen auszuführen. In den Computersimulationen folgte der Roboter den menschlichen Bewegungen mit einem durchschnittlichen Fehler von etwa 82,45 mm (Mean Per Joint Position Error) über seine Gelenke hinweg. Als sie den Roboter in der realen Welt testeten, gelang es ihm, Rohre zu tragen, Betonblöcke zu halten und sogar eine Flagge zu schwenken, während er sein Gleichgewicht hielt, was bewies, dass die „Übersetzung“ und das „Coaching“ funktionierten.
Dennoch ist das Paper vorsichtig damit, dies als perfekte Lösung zu bezeichnen. Die Forscher merkten an, dass der Roboter diese Aufgaben zwar ausführen konnte, aber nicht fehlerfrei war. In den Simulationen gab es einige Fehlversuche, bei denen der Roboter das Gleichgewicht verlor oder stolperte, insbesondere wenn die Physik der realen Welt (wie Reibung oder Gewicht) nicht perfekt mit dem Computermodell übereinstimmte. Sie wiesen auch darauf hin, dass die Hände des Roboters nicht ganz so geschickt sind wie die eines Menschen, sodass er einen Block zwar halten, aber ihn nicht unbedingt mit derselben Finesse greifen konnte, wie es ein menschlicher Arbeiter tun würde. Die Studie legt nahe, dass dieser Ansatz ein solider erster Schritt dahin ist, Roboter an unseren Baustellen arbeiten zu lassen, aber es ist noch viel zu tun, um sie so zuverlässig und anpassungsfähig zu machen wie die Menschen, die sie nachahmen wollen. Das System zeigte, dass es möglich ist, einem Roboter beizubringen, sich wie ein Arbeiter zu bewegen, aber der Weg vom „Laufenlernen“ zum „Bau eines Wolkenkratzers“ hat gerade erst begonnen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.