CacheMPC: Certified Cached Model Predictive Control for Quadruped Locomotion

Roboter, die auf vier Beinen laufen, sind seit langem ein Traum von Ingenieuren, doch sie mit der fließenden Anmut eines Hundes oder einer Katze zu bewegen, erfordert die Lösung eines komplexen Rätsels in Echtzeit. Das Herzstück dieser Herausforderung ist ein mathematischer Prozess namens modellprädiktive Regelung (Model Predictive Control). Stellen Sie sich einen Roboter vor, der ständig vorausblickt und tausende mögliche zukünftige Schritte simuliert, um zu entscheiden, welchen Fuß er als Nächstes platziert und wie stark er gegen den Boden drückt. Dieser Prozess stellt sicher, dass der Roboter das Gleichgewicht hält und seinem Pfad folgt, aber er ist unglaublich anspruchsvoll. Auf den kleinen, leistungsstarken Computern, die in moderne Roboter eingebaut sind, stellt das Ausführen dieser Simulationen schnell genug, um mit den Bewegungen des Roboters Schritt zu halten, einen erheblichen Engpass dar. Wenn der Computer zu lange braucht, um den nächsten Schritt zu berechnen, gerät der Roboter ins Straucheln. Jahrelang suchten Forscher nach Wegen, diese Berechnungen zu beschleunigen, ohne die Sicherheit und Präzision zu opfern, die für eine Maschine nötig sind, um auf unebenem Boden zu gehen oder einem Stoß entgegenzuwirken.

Ein Team von Forschern der Indian Institutes of Technology hat einen neuen Ansatz zur Lösung dieses Zeitproblems entwickelt, den sie Certified CacheMPC nennen. Anstatt den Computer des Roboters zu zwingen, das komplexe mathematische Problem jedes Mal von Grund auf neu zu lösen, wenn er sich bewegen muss, erinnert sich das System an bereits gefundene Lösungen. Da ein laufender Roboter oft ähnliche Situationen erneut durchläuft – wie etwa dasselbe Gangmuster oder denselben Typ von Gelände – erkannten die Forscher, dass sie diese vergangenen Lösungen in einer digitalen Bibliothek speichern könnten. Wenn der Roboter auf eine Situation stößt, die er schon einmal erlebt hat, kann das System die alte Lösung schnell abrufen, anstatt sie neu zu berechnen. Das bloße Wiederverwenden einer alten Antwort ist jedoch riskant; wenn die aktuelle Situation auch nur geringfügig anders ist, könnte die alte Antwort falsch sein und zum Sturz führen. Um dies zu handhaben, entwickelte das Team ein strenges Verifizierungssystem. Jedes Mal, wenn der Roboter in Erwägung zieht, eine gespeicherte Lösung zu verwenden, bestätigt eine schnelle Prüfung, ob die Antwort für den aktuellen Moment noch sicher und genau genug ist. Wenn die Prüfung bestanden wird, verwendet der Roboter die gespeicherte Antwort sofort. Wenn sie fehlschlägt, greift der Computer auf die Lösung des Problems von Grund auf zurück, um sicherzustellen, dass der Roboter niemals auf eine schlechte Vermutung reagiert.

Die Forscher testeten dieses System an einem vierbeinigen Roboter, bekannt als Unitree Go2, sowohl in hochpräzisen Computersimulationen als auch an einem physischen Roboter, der mit einem Onboard-Computer ausgestattet war. In den Simulationen ermöglichte die neue Methode dem Roboter, Entscheidungen etwa fünfundzwanzigmal schneller zu treffen als die Standardmethode, wenn sie eine gespeicherte Lösung erfolgreich abrief. Diese Beschleunigung war nicht nur ein theoretischer Gewinn; sie schlug sich direkt im physischen Roboter nieder, wo die ungefilterte Version des Systems bei erfolgreichen Abrufen durchschnittlich fast neunzehnmal schneller arbeitete. Die Forscher merkten jedoch an, dass das System auf dem physischen Roboter tatsächlich langsamer war als die Standardmethode, wenn die strikte Sicherheitsverifizierung vollständig aktiviert war, da der Verifizierungsprozess selbst erhebliche Zeit beanspruchte. Das Team führte über zweitausend separate Versuche durch, um zu sehen, wie das System unter Druck abschneidet, einschließlich Szenarien, in denen der Roboter hart von der Seite gestoßen wurde oder Treppen steigen musste. Sie fanden heraus, dass die Verwendung des Speichersystems die Stabilität des Roboters nicht verringerte. Tatsächlich war das System an den Grenzen dessen, was der Roboter bewältigen konnte, genauso leistungsfähig wie die Standardmethode, wobei es keinen statistisch signifikanten Unterschied in der Häufigkeit gab, mit der der Roboter aufrecht blieb.

Ein entscheidender Teil ihrer Arbeit war der Beweis, dass das System nicht stillschweigend versagen würde. Sie entwarfen die Verifizierungsprüfung als Gatekeeper. Wenn der Computer des Roboters versucht, eine gespeicherte Lösung zu verwenden, berechnet die Prüfung eine spezifische Fehlermarge. Wenn der potenzielle Fehler zu hoch ist, lehnt das System die gespeicherte Lösung ab und zwingt den Computer dazu, das Problem frisch zu lösen. Dies stellt sicher, dass der Roboter niemals eine Abkürzung nimmt, die seine Sicherheit gefährdet. Die Forscher testeten auch, was passiert, wenn der Computer unter extremem Zeitdruck steht, wobei sie eine Situation simulierten, in der der Roboter eine Entscheidung in einem Bruchteil einer Sekunde treffen muss. Selbst wenn die Frist eng war, gelang es dem System, einen sicheren Pfad zu finden – entweder durch das Finden einer guten gespeicherten Lösung oder durch den Rückgriff auf eine zuvor verifizierte sichere Bewegung, falls die neue Berechnung zu lange dauerte.

Als das Team das System auf die tatsächliche Roboterhardware übertrug, waren die Ergebnisse etwas anders, aber dennoch erfolgreich. Der Onboard-Computer war langsamer als die leistungsstarke Workstation, die für die Simulationen verwendet wurde, was bedeutete, dass die Verifizierungsprüfung einen größeren Teil der verfügbaren Zeit beanspruchte. Folglich lehnte das System auf dem physischen Roboter mehr gespeicherte Lösungen ab als in der Simulation, was dazu führte, dass seltener Gelegenheiten vorhanden waren, in denen der Roboter die schwere Berechnung überspringen konnte. Trotzdem bot das System einen signifikanten Geschwindigkeitsvorteil gegenüber der Standardmethode, wenn es eine Übereinstimmung fand, und der Roboter lief reibungslos, ohne während der Testphase zu stürzen. Die Forscher merkten an, dass die Sicherheitsprüfung zwar exakt wie vorgesehen funktionierte, die aktuelle Stichprobengröße der Tests jedoch nicht ausreichte, um zu beweisen, dass die Prüfung den Roboter wesentlich sicherer gemacht hat, als er es ohne sie gewesen wäre. Die Daten zeigten, dass der Roboter in beiden Fällen stabil war, was darauf hindeutet, dass das Verifizierungssystem ein zuverlässiges Sicherheitsnetz ist und nicht der alleinige Grund dafür, dass der Roboter aufrecht blieb.

Die Studie kommt zu dem Schluss, dass Caching, oder das Erinnern an vergangene Lösungen, ein gangbarer Weg ist, um Laufroboter schneller und reaktionsschneller zu machen, sofern es eine rigorose Methode zur Verifizierung gibt. Die Forscher demonstrierten, dass sie ein System bauen konnten, das sich an die Vergangenheit erinnert, ohne von ihr gefangen zu sein. Durch die Kombination einer schnellen Suchmethode mit einem strengen Sicherheitszertifikat schufen sie einen Controller, der sich in Echtzeit an die Bedürfnisse des Roboters anpassen kann. Die Arbeit legt nahe, dass zukünftige Roboter eine wachsende Bibliothek an Erfahrungen mit sich führen könnten, die es ihnen ermöglicht, aus ihren eigenen Bewegungen zu lernen und mit der Geschwindigkeit eines Reflexes zu reagieren, während sie gleichzeitig die sorgfältige Planung eines Mathematikers beibehalten. Dieses Gleichgewicht zwischen Geschwindigkeit und Sicherheit ist essenziell für Roboter, die eines Tages neben Menschen in komplexen, unvorhersehbaren Umgebungen wandern werden.