Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
Dieses Paper präsentiert ein robustes Navigationsframework für Tensegrity-Roboter, das ein kontaktbewusstes Graph Neural Network-Dynamikmodell mit einem hybriden Model Predictive Path Integral-Controller kombiniert, um im Vergleich zu bestehenden Baselines eine überlegene Leistung in komplexen, kontaktreichen Umgebungen zu erzielen.
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
Roboter, die sich durch die Welt bewegen, stehen oft vor einem grundlegenden Dilemma: Sie müssen stark genug sein, um ihr eigenes Gewicht zu tragen und Hindernisse beiseite zu drücken, aber gleichzeitig flexibel genug, um sich anzupassen, wenn sich der Boden unter ihnen verschiebt. Traditionelle Roboter, die aus starren Metallrahmen gebaut sind, haben Schwierigkeiten, wenn das Gelände uneben, felsig oder voller Hindernisse ist, und bleiben oft stecken oder kippen um. Ein anderer Ansatz verwendet Strukturen, die aus starren Stäben bestehen, die durch ein Netzwerk aus flexiblen Kabeln zusammengehalten werden. Diese „Tensegrity“-Roboter sind leichtgewichtig und unglaublich widerstandsfähig; wenn sie fallen, springen sie eher zurück, als dass sie brechen. Die Steuerung dieser Roboter ist jedoch notorisch schwierig. Da ihre Bewegung von dem komplexen Zusammenspiel der Spannung in den Kabeln und der Art und Weise abhängt, wie die Stäbe den Boden berühren, gleicht die genaue Vorhersage, wie sie rollen oder trudeln werden, dem Versuch, das Wetter mit unvollständigen Daten vorherzusagen. Die Roboter können oft nicht ihre eigene vollständige Form oder den exakten Winkel des Bodens sehen, den sie berühren, was es einem Computer erschwert, einen sicheren Pfad nach vorne zu planen.
Forscher der Rutgers University und der Yale University haben einen neuen Weg entwickelt, um diese springenden Roboter durch komplexe Umgebungen zu führen, einschließlich steiler Rampen, enger Korridore und tief hängender Hindernisse. Anstatt sich auf eine perfekte mathematische Formel zu verlassen, die die Bewegung des Roboters beschreibt, haben sie einem Computermodell beigebracht, aus Erfahrung zu lernen. Dieses Modell verwendet eine Art künstliche Intelligenz, die als Graph Neural Network bekannt ist, welche besonders gut darin ist, zu verstehen, wie verschiedene Teile eines Systems miteinander verbunden sind. In diesem Fall ist das System der Roboter selbst zusammen mit den Wänden und dem Boden, mit denen er kollidieren könnte. Die Forscher fügten diesem Lernsystem eine spezielle Funktion hinzu, die es dem Roboter ermöglicht zu „fühlen“, wann er eine Oberfläche berührt, sei es ein flacher Boden, eine schräge Rampe oder sogar ein anderer Teil des eigenen Roboterkörpers. Diese Fähigkeit, Kontakt wahrzunehmen, ist entscheidend, da der Roboter oft gegen eine Wand lehnen oder sich unter eine Barriere quetschen muss, um vorwärtszukommen.
Um dieses Lernmodell in die Praxis umzusetzen, entwickelte das Team ein Steuerungssystem, das wie ein ständiger, blitzschneller Planer fungiert. Stellen Sie sich vor, der Roboter hält für einen Sekundenbruchteil inne, um sich tausende verschiedene Möglichkeiten vorzustellen, wie er sich in den nächsten Sekunden bewegen könnte. Er simuliert jede Möglichkeit in seinem Geist und prüft, welcher Pfad zum Ziel führt, ohne zu kollidieren. Das System wählt dann die beste Option aus und führt sie aus, nur um sofort wieder mit der Planung der nächsten Bewegungsabläufe zu beginnen. Dieser Prozess, bekannt als Model Predictive Control (Modellprädiktive Regelung), ermöglicht es dem Roboter, in Echtzeit auf Veränderungen zu reagieren. Die Forscher stellten jedoch fest, dass der Roboter Schwierigkeiten hatte, eigenständig effektiv zu wenden. Um dies zu lösen, kombinierten sie das intelligente Planungssystem mit einer Reihe einfacher, vorprogrammierter Wendemanöver. Wenn der Roboter die Richtung ändern muss, nutzt er diese zuverlässigen Wendungen, um in die richtige Richtung zu blicken, und lässt dann den intelligenten Planer die restliche Navigation übernehmen.
Das Team testete diesen Ansatz in einer High-Fidelity-Computersimulation, die die Physik der realen Welt nachahmt. Sie entwarfen fünf verschiedene Herausforderungen für den Roboter, die von einem einfachen flachen Kurs mit Wänden bis hin zu einem schwierigen dreidimensionalen Hindernisparcours mit steilen Neigungen und engen Räumen reichten. Beim schwierigsten Test musste der Roboter einen Kurs navigieren, den er noch nie zuvor gesehen hatte, der alle vorherigen Herausforderungen in einem kombinierten Szenario vereinte. Die Ergebnisse zeigten, dass der Roboter, der das neue Lernsystem und die hybride Wendestrategie nutzte, weitaus erfolgreicher war als ältere Methoden. Während andere Ansätze daran scheiterten, die Rampen zu erklimmen oder in engen Passagen steckenzubleiben, gelang es dem neuen System, das Ziel in der überwiegenden Mehrheit der Versuche zu erreichen, selbst in den unbekannten Umgebungen. Der Roboter verbesserte sich, während er mehr Daten sammelte, und wurde mit jeder Testrunde schneller und präziser.
Diese Arbeit legt nahe, dass wir durch das Lehren von Robotern, wie sie die Welt um sie herum wahrnehmen, und indem wir ihnen eine Mischung aus gelernter Intelligenz und einfachen, zuverlässigen Bewegungen geben, Maschinen erschaffen können, die in der Lage sind, durch das chaotische, unvorhersehbare Gelände der realen Welt zu navigieren. Die Forscher demonstrierten, dass diese Methode in der Simulation gut funktioniert, was den Weg für zukünftige Tests mit physischen Robotern ebnet. Obwohl das aktuelle System auf flache Oberflächen beschränkt ist und weitere Entwicklungen benötigt, um völlig unstrukturierte Umgebungen zu bewältigen, bietet der Erfolg dieses Ansatzes einen vielversprechenden Pfad hin zu Robotern, die Katastrophengebiete erkunden, Überlebende in Trümmern suchen oder die rauen Landschaften anderer Planeten durchqueren können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.