Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
Questo articolo presenta un framework di navigazione robusto per robot tensegrità che combina un modello dinamico basato su Graph Neural Network sensibile al contatto con un controllore Model Predictive Path Integral ibrido per ottenere prestazioni superiori in ambienti complessi e ricchi di contatti rispetto ai baseline esistenti.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
I robot che si muovono nel mondo affrontano spesso un dilemma fondamentale: devono essere abbastanza forti da sostenere il proprio peso e spingere attraverso gli ostacoli, ma allo stesso tempo abbastanza flessibili da adattarsi quando il terreno si sposta sotto di loro. I robot tradizionali, costruiti con telai metallici rigidi, faticano quando il terreno è irregolare, roccioso o ingombrante, finendo spesso bloccati o ribaltandosi. Un approccio diverso utilizza strutture composte da aste rigide tenute insieme da una rete di cavi flessibili. Questi robot "tensegrity" sono leggeri e incredibilmente resistenti; se cadono, rimbalzano invece di rompersi. Tuttavia, controllarli è notoriamente difficile. Poiché il loro movimento dipende dalla complessa interazione tra la tensione nei cavi e il modo in cui le aste toccano il suolo, prevedere esattamente come rotoleranno o si ribalzeranno è come cercare di prevedere il tempo con dati incompleti. I robot spesso non riescono a vedere la propria forma completa o l'esatto angolo del terreno che stanno toccando, rendendo difficile per un computer pianificare un percorso sicuro.
Ricercatori dell'Università della Rutgers e dell'Università di Yale hanno sviluppato un nuovo modo per guidare questi robot rimbalzanti attraverso ambienti complessi, inclusi rampe ripide, corridoi stretti e ostacoli bassi. Invece di affidarsi a una formula matematica perfetta per descrivere il movimento del robot, hanno insegnato a un modello informatico a imparare dall'esperienza. Questo modello utilizza un tipo di intelligenza artificiale nota come rete neurale a grafo, che è particolarmente brava a comprendere come le diverse parti di un sistema si connettano tra loro. In questo caso, il sistema è il robot stesso, insieme alle pareti e al suolo che potrebbe urtare. I ricercatori hanno aggiunto una caratteristica speciale a questo sistema di apprendimento che permette al robot di "sentire" quando tocca una superficie, che sia un pavimento piatto, una rampa inclinata o persino un'altra parte del proprio corpo. Questa capacità di percepire il contatto è cruciale, poiché il robot spesso deve appoggiarsi a una parete o infilarsi sotto una barriera per avanzare.
Per mettere in pratica questo modello di apprendimento, il team ha creato un sistema di controllo che agisce come un pianificatore costante e rapidissimo. Immaginate il robot che si ferma per una frazione di secondo per immaginare migliaia di modi diversi in cui potrebbe muoversi nei secondi successivi. Simula ogni possibilità nella sua mente, controllando quale percorso conduce all'obiettivo senza schiantarsi. Il sistema seleziona poi l'opzione migliore ed esegue, solo per iniziare immediatamente a pianificare il set successivo di mosse. Questo processo, noto come controllo predittivo del modello, permette al robot di reagare ai cambiamenti in tempo reale. Tuttavia, i ricercatori hanno scoperto che il robot faceva fatica a girare efficacemente da solo. Per risolvere il problema, hanno combinato il sistema di pianificazione intelligente con un set di manovre di svolta semplici e pre-programmate. Quando il robot deve cambiare direzione, utilizza queste svolte affidabili per orientarsi nel verso giusto, e poi lascia che il pianificatore intelligente prenda il controllo per navigare il resto del percorso.
Il team ha testato questo approccio in una simulazione informatica ad alta fedeltà che imita la fisica del mondo reale. Hanno impostato cinque diverse sfide per il robot, che vanno da un semplice percorso piatto con pareti a un difficile percorso a ostacoli tridimensionale che includeva pendenze ripide e spazi stretti. Nel test più difficile, il robot doveva navigare in un percorso che non aveva mai visto prima, combinando tutte le sfide precedenti in uno solo. I risultati hanno mostrato che il robot utilizzando il nuovo sistema di apprendimento e la strategia di svolta ibrida era molto più efficace dei metodi precedenti. Mentre altri approcci fallivano nel salire le rampe o rimanevano bloccati nei passaggi stretti, il nuovo sistema riusciva a raggiungere l'obiettivo nella stragrande maggioranza dei tentativi, anche negli ambienti mai visti prima. Il robot migliorava man mano che raccoglieva più dati, diventando più veloce e accurato a ogni round di test.
Questo lavoro suggerisce che insegnando ai robot a comprendere come toccano il mondo circostante, e fornendo loro un mix di intelligenza appresa e mosse semplici e affidabili, possiamo creare macchine capaci di navigare nel terreno disordinato e imprevedibile del mondo reale. I ricercatori hanno dimostrato che questo metodo funziona bene in simulazione, aprendo la strada a futuri test con robot fisici. Sebbene l'attuale sistema sia limitato alle superfici piatte e richieda ulteriori sviluppi per gestire ambienti completamente non strutturati, il successo di questo approccio offre una strada promettente verso robot capaci di esplorare zone di disastro, cercare sopravvissuti tra le macerie o attraversare i paesaggi impervi di altri pianeti.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.