Dual-Level Humanoid Whole-Body Controller
Dieses Paper stellt Jaeger vor, einen zweistufigen Ganzkörperregler für humanoide Roboter, der die Steuerung des Ober- und Unterkörpers entkoppelt, um Dimensionalitätsherausforderungen zu bewältigen, wobei ein hybrider Ansatz aus überwachtem Lernen und Reinforcement Learning unter Verwendung von retargeteten menschlichen Bewegungsdaten genutzt wird, um eine robuste und vielseitige Leistung sowohl in Simulations- als auch in realen Umgebungen zu erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Humanoide Roboter sind seit langem der Traum der Science-Fiction – Maschinen, die so aussehen und sich wie wir bewegen, die unsere Treppen bewältigen, unsere Türen öffnen und unsere Werkzeuge handhaben können. Damit diese Roboter wirklich nützlich werden, müssen sie die Ganzkörpersteuerung meistern, ein komplexer Balanceakt, bei dem die Maschine Dutzende von Gelenken gleichzeitig koordiniert, um aufrecht zu bleiben, während sie greift, geht oder Objekte trägt. Die Herausforderung liegt in der schieren Anzahl der beweglichen Teile; die Arme eines Roboters und seine Beine haben oft gegensätzliche Anforderungen, wie etwa die Arme, die wild schwingen, um eine Tasse zu greifen, während die Beine vollkommen ruhig bleiben müssen, um einen Sturz zu verhindern. Traditionelle Methoden haben oft Schwierigkeiten, einem einzelnen Computerprogramm beizubringen, all diese beweglichen Teile gleichzeitig zu steuern, was zu Bewegungen führt, die steif, instabil oder anfällig für Fehler sind, wenn der Roboter auf die Unvorhersehbarkeit der realen Welt trifft.
Ein Forschungsteam der Beijing Academy of Artificial Intelligence hat einen neuen Ansatz für dieses Problem entwickelt und ein Steuerungssystem namens JAEGER erschaffen. Anstatt zu versuchen, ein einziges Gehirn dazu zu zwingen, den gesamten Roboter zu verwalten, teilen sie die Aufgabe in zwei unterschiedliche Rollen auf, ganz ähnlich wie ein menschliches Gehirn den Rhythmus des Gehens separat steuern kann, während es sich auf die Hände bei einer delikaten Aufgabe konzentriert. Dieses zweistufige System weist einem Controller den Unterkörper des Roboters zu, der für das Gleichgewicht und die Bewegung über den Boden verantwortlich ist, und einem zweiten, unabhängigen Controller den Oberkörper, der sich dem Greifen und Manipulieren von Objekten widmet. Durch die Trennung dieser Aufgaben stellten die Forscher fest, dass sie den Roboter effektiver trainieren konnten, indem sie jedem Teil ermöglichten, sich auf seine spezifische Aufgabe zu konzentrieren, ohne der anderen im Weg zu stehen.
Die Forscher testeten dieses System an zwei verschiedenen humanoiden Robotern, dem H1 und dem H1-2, wobei sie tausende von Trainingssitzungen in einer simulierten Umgebung durchführten, bevor sie in die reale Welt übergingen. Sie brachten den Robotern eine Vielzahl von Aufgaben bei, vom Seitwärtsgehen und Vorwärtsgehens bis hin zur Ausführung komplexer, tanzähnlicher Bewegungen, die eine präzise Koordination zwischen Torso und Gliedmaßen erfordern. In einer Demonstration nutzte der Roboter einen Joystick und eine Virtual-Reality-Schnittstelle, um sich während der Bewegung einer Puppe zu nähern und sie zu greifen, wobei er sich auf den Unterkörper-Controller verließ, um die Stabilität zu halten, während der Oberkörper-Controller die Arme führte. In einem anderen Beispiel führte der Roboter eine Serie von Tanzbewegungen aus, bei denen er sein Gewicht verlagerte und seine Gliedmaßen in einer flüssigen Sequenz bewegte, was erforderte, dass beide Controller harmonisch zusammenarbeiteten.
Um dies umzusetzen, musste das Team ein schwieriges Datenproblem lösen: Wie übersetzt man menschliche Bewegungen, die von echten Menschen aufgezeichnet wurden, in Anweisungen, denen ein Roboter folgen kann. Menschliche Körper und Roboterkörper sind unterschiedlich gebaut; ein Mensch hat eine andere Anzahl von Gelenken und einen anderen Bewegungsspielraum als eine Maschine. Die Forscher entwickelten ein schnelles, effizientes System, um menschliche Posen auf das Skelett des Roboters abzubilden, wodurch sichergestellt wurde, dass die Bewegungen natürlich aussah und für die Maschine physisch möglich waren. Sie verwendeten dann eine schrittweise Trainingsmethode, bei der sie dem Roboter zuerst beibrachten, allein zu gehen und das Gleichgewicht zu halten, und dann schrittweise die Aufgaben des Oberkörpers einführten. Dieser Ansatz verhinderte, dass der Roboter während des Lernprozesses verwirrt oder instabil wurde, und ermöglichte es ihm, eine Lösung zu finden, die sowohl robust als auch vielseitig war.
Die Ergebnisse ihrer Experimente zeigten, dass diese getrennte Steuerungsstrategie signifikant besser funktionierte als bisherige Methoden. Wenn sie daran getestet wurde, wie gut die Roboter Befehlen folgen konnten, bestimmte Geschwindigkeiten zu bewegen oder bestimmte Posen einzunehmen, wies das neue System weniger Fehler auf als die führenden Alternativen. Beispielsweise machte der Roboter, der das neue System nutzte, beim Verfolgen einer Zielgeschwindigkeit während der Vorwärtsbewegung Fehler von nur etwa 0, 15 Metern pro Sekunde, was eine deutliche Verbesserung gegenüber anderen Methoden darstellte, die Schwierigkeiten hatten, auf Kurs zu bleiben. Ähnlich verhielt es sich, als er gebeten wurde, komplexe Posen nachzuahmen: Die Gelenke des Roboters bewegten sich mit viel größerer Präzision und reduzierten die Differenz zwischen der beabsichtigten Position und der tatsächlichen Position auf einen Bruchteil dessen, was andere Systeme erreichten.
Die Forscher entdeckten auch, dass es entscheidend war, die beiden Controller getrennt zu halten. Als sie versuchten, einen einzelnen Controller zu verwenden, um den gesamten Körper zu steuern, opferte der Roboter oft das Gleichgewicht für die Bewegung oder umgekehrt, was zu ruckartigen oder gescheiterten Versuchen bei komplexen Aufgaben führte. Durch die Entkopplung der Systeme konnte der Unterkörper auch dann effektiv funktionieren, wenn der Oberkörper auf ein Problem stieß, und der Oberkörper konnte sich ganz auf die jeweilige Aufgabe konzentrieren, ohne sich um die Mechanik des Gehens sorgen zu müssen. Dieses Design beschleunigte auch den Trainingsprozess und machte ihn zuverlässiger, da das System aus menschlichen Bewegungsdaten lernen konnte, ohne durch die widersprüchlichen Anforderungen eines einzelnen, monolithischen Kontrollnetzwerks ausgebremst zu werden.
In den abschließenden Tests demonstrierten die Roboter eine bemerkenswerte Fähigkeit, Störungen zu bewältigen. Wenn die Forscher laterale Kräfte anwendeten, die einem Stoß von bis zu 210 Newton entsprachen, konnten die Roboter ihr Gleichgewicht halten oder den Stolperer in mehr als 90 Prozent der Versuche abfangen. Diese Resilienz deutet darauf an, dass das System nicht nur ein theoretischer Erfolg ist, sondern eine praktische Lösung für reale Anwendungen darstellt. Die Forscher merkten an, dass ihre Methode Hochfrequenz-Aktualisierungen ermöglicht, was bedeutet, dass der Roboter seine Bewegungen tausendmal pro Sekunde anpassen kann – eine Geschwindigkeit, die für Aufgaben mit geringer Latenz wie Fernchirurgie oder delikate Manipulationen notwendig ist.
Die Arbeit beansprucht nicht, alle Probleme der Robotik gelöst zu haben, bietet aber einen klaren Weg auf, um humanoide Roboter fähiger und zuverlässiger zu machen. Indem sie die komplexe Aufgabe der Ganzkörpersteuerung in handhabbare, spezialisierte Teile zerlegten, haben die Forscher gezeigt, dass Roboter lernen können, sich mit einem Maß an Fluidität und Anpassungsfähigkeit zu bewegen, das zuvor schwer zu erreichen war. Der Erfolg von JAEGER legt nahe, dass die Zukunft der humanoiden Robotik möglicherweise nicht im Bau eines einzelnen, allwissenden Gehirns liegt, sondern in der Schaffung von Systemen, in denen verschiedene Teile der Maschine zusammenarbeiten können, wobei jeder das tut, was er am besten kann, um ein gemeinsames Ziel zu erreichen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.