Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

Vierbeinige Roboter sind mittlerweile bemerkenswert geschickt darin geworden, durch die unordentliche, unebene Welt zu navigieren, in der wir leben. Sie können über Felsen klettern, durch Schlamm schreiten und Stürze mit einer Anmut bewältigen, die für Maschinen einst unmöglich schien. Eine bedeutende Hürde bleibt jedoch bestehen, wenn diese Roboter dazu aufgefordert werden, mehr als nur zu gehen: Objekte zu drücken, zu ziehen oder zu tragen, während sie sich bewegen. Diese Doppelaufgabe, bekannt als Loco-Manipulation, erfordert, dass der Roboter auf komplexe Weise mit seiner Umgebung interagiert. Die Schwierigkeit liegt darin, dass die physische Welt voller Unbekannter ist. Ein Roboter weiß von Natur aus nicht, wie schwer ein Karton ist, wie rau der Boden ist oder wie viel Reibung zwischen seinen Füßen und dem Boden besteht. Wenn ein Roboter annimmt, ein Karton sei leicht, obwohl er tatsächlich schwer ist, oder annimmt, der Boden sei rutschig, wenn er eigentlich haftend ist, werden seine Bewegungen fehlschlagen. Er könnte ausrutschen, das Objekt fallen lassen oder instabil werden. Damit ein Roboter unter diesen unsicheren Bedingungen erfolgreich ist, kann er sich nicht auf einen vorprogrammierten Satz von Regeln basierend auf perfektem Wissen verlassen; er muss in der Lage sein, während der Bewegung etwas über die physikalischen Eigenschaften seiner Umgebung zu lernen.

Forscher haben lange versucht, dies zu lösen, indem sie Roboter lehren, diese Eigenschaften zu erraten, bevor sie eine Aufgabe beginnen, oder indem sie komplexe mathematische Modelle verwenden, die vom Roboter verlangen, die exakte Physik jeder Interaktion zu berechnen. Diese traditionellen Methoden scheitern oft, weil die reale Welt zu chaotisch für perfekte Berechnungen ist, insbesondere wenn die Füße eines Roboters ständig Kontakt zum Boden herstellen und wieder verlieren. Ein neuer Ansatz, der von einem Team von Ingenieuren entwickelt wurde, bietet eine andere Lösung. Anstatt zu versuchen, die perfekte Antwort von vornherein zu berechnen, testet der Roboter kontinuierlich viele verschiedene Möglichkeiten in seinem eigenen Geist, vergleicht sie mit dem, was er tatsächlich fühlt, und aktualisiert sein Verständnis in Echtzeit. Diese Methode ermöglicht es dem Roboter, sich sofort anzupassen, wenn sich das Gewicht eines Objekts ändert oder wenn er von einem glatten Boden auf einen rauen Boden tritt.

Der Kern dieses neuen Systems ist ein Framework, das die Forscher Adaptive-MHE nennen. Um zu verstehen, wie es funktioniert, stellen Sie sich vor, ein Roboter drückt einen schweren Karton über einen Boden. Während der Roboter sich bewegt, zeichnet er jedes Detail der Interaktion auf: wie schnell er sich bewegt, wie seine Gelenke sich biegen und wie der Karton reagiert. Das System führt dann eine schnelle, parallele Simulation im Hintergrund aus. Es generiert Tausende von verschiedenen „Was-wäre-wenn“-Szenarien. In einem Szenario könnte der Karton sehr leicht sein; in einem anderen könnte er extrem schwer sein; in einem dritten könnte der Boden mit Eis bedeckt sein. Das System simuliert, wie sich der Roboter unter all diesen verschiedenen Annahmen bewegen würde. Es vergleicht dann die simulierten Bewegungen mit den tatsächlichen Daten, die der Roboter aus der realen Welt sammelt. Das Szenario, das den realen Daten am nächsten kommt, wird als die wahrscheinlichste Wahrheit ausgewählt. Dieser Prozess ist keine einmalige Berechnung; er findet kontinuierlich in einem gleitenden Fenster statt und verfeinert ständig die Schätzung des Roboters über die Welt, während neue Informationen eintreffen.

Dieser Schätzprozess ist eng mit dem Steuerungssystem des Roboters gekoppelt. Sobald das System eine bessere Vorstellung vom Gewicht des Kartons oder der Reibung des Bodens hat, nutzt es diese Information sofort, um die Bewegungen des Roboters anzupassen. Das Steuerungssystem, das entscheidet, wie sich die Beine des Roboters bewegen sollen, nutzt diese aktualisierten Schätzungen, um den nächsten Schritt zu planen. Wenn der Roboter erkennt, dass der Karton schwerer ist, als er dachte, wird er automatisch mehr Kraft aufwenden. Wenn er feststellt, dass der Boden rutschiger ist, wird er seine Haltung anpassen, um das Gleichgewicht zu halten. Die gesamte Schleife aus Wahrnehmung, Schätzung und Handeln geschieht so schnell, dass der Roboter auf Veränderungen in seiner Umgebung instinktiv zu reagieren scheint. Die Forscher testeten dieses System an einem vierbeinigen Roboter namens Unitree Go1, einem kommerziell erhältlichen vierbeinigen Roboter. Sie unterzogen ihn einer Reihe herausfordernder Aufgaben, die darauf ausgelegt waren, seine Fähigkeit zum Umgang mit Unsicherheit zu testen.

In einem Satz von Experimenten wurde der Roboter damit beauftragt, einen Karton zu einem bestimmten Ziel zu drücken. Die Forscher führten plötzliche Änderungen in der Umgebung ein, um zu sehen, wie der Roboter reagieren würde. In einem Szenario wurde die Masse des Kartons um einen Kilogramm erhöht, während der Roboter ihn bereits drückte. In einem anderen Szenario musste der Roboter den Karton über zwei verschiedene Arten von Bodenflächen drücken: eine mit einem niedrigen Reibungskoeffizienten von 0,4 und eine mit einem hohen Reibungskoeffizienten von 0,8. Der Roboter musste diese Änderung in der Bodenbeschaffenheit erkennen und seine Druckkraft entsprechend anpassen, ohne anzuhalten oder die Kontrolle zu verlieren. Das System testete auch die Fähigkeit des Roboters, einen Karton mit nur einem Bein zu drücken, während die anderen drei Beine stationär bleiben, eine Aufgabe, die präzise Balance und Kraftanwendung erfordert.

Die Ergebnisse zeigten, dass das Adaptive-MHE-System Roboter deutlich übertraf, die sich auf feste, voreingestellte Annahmen über die Umgebung verließen. Wenn der Roboter eine feste Überzeugung über das Gewicht des Kartons oder die Reibung des Bodens hatte, schlug er bei der Mehrheit der Versuche fehl, rutschte oft aus oder verfehlte das Ziel. Im Gegensatz dazu war der adaptive Roboter in fast 8

87 Prozent der Versuche erfolgreich, obwohl er zu Beginn keine Kenntnis über die wahren physikalischen Eigenschaften hatte. Obwohl er nicht ganz so perfekt agierte wie ein hypothetischer Roboter, der das exakte Gewicht und die Reibung von Beginn an kannte, kam er dieser Leistung bemerkenswert nahe. Der adaptive Roboter konnte seinen Fehler beim Erreichen des Ziels auf einen Bruchteil der Distanz des nicht-adaptiven Roboters reduzieren. Er schloss die Aufgaben zudem schneller und mit weniger verschwendeter Energie ab.

Die Forscher fanden heraus, dass das System am besten funktionierte, wenn es seine Schätzungen häufig aktualisierte, aber nicht so häufig, dass es instabil wurde. Sie testeten verschiedene Einstellungen dafür, wie oft der Roboter die Umgebung neu bewerten sollte und wie viele verschiedene Szenarien er gleichzeitig simulieren sollte. Sie entdeckten, dass ein Gleichgewicht nötig war: Die Schätzungen alle paar Sekunden zu aktualisieren, erlaubte es dem Roboter, Veränderungen effektiv zu verfolgen, ohne von Rauschen in den Daten überwältigt zu werden. Das System war in der Lage, die Masse des Objekts und die Reibung des Geländes mit hoher Genauigkeit zu identifizieren, selbst wenn sich diese Eigenschaften während der Aufgabe abrupt änderten. Diese Fähigkeit deutet darauf hin, dass Roboter so konzipiert werden können, dass sie in Umgebungen effektiv arbeiten, in denen die physikalischen Eigenschaften unbekannt oder ständig im Wandel sind, ohne für jede neue Situation neu trainiert werden zu müssen.

Diese Arbeit stellt einen bedeutenden Fortschritt dar, um Roboter robuster und vielseitiger zu machen. Durch die Kombination einer Methode zur Schätzung physikalischer Parameter mit einem Controller, der auf diese Schätzungen in Echtzeit reagieren kann, haben die Forscher ein System geschaffen, das die Unvorhersehbarkeit der realen Welt bewältigen kann. Der Ansatz erfordert keine speziellen Sensoren, um Gewicht oder Reibung direkt zu messen; stattdessen leitet er diese Eigenschaften aus den Bewegungen und Interaktionen des Roboters selbst ab. Dies macht die Technologie praktikabler für den Einsatz in vielfältigen Umgebungen, von Lagern bis hin zu Katastrophengebieten, in denen die Bedingungen selten im Voraus bekannt sind. Der Erfolg des Adaptive-MHE-Frameworks zeigt, dass Roboter lernen können, sich während des Betriebs an ihre physische Umgebung anzupassen und so die Lücke zwischen der kontrollierten Umgebung einer Simulation und der chaotischen Realität der Welt da draußen zu schließen.