Nei paesaggi caotici e frammentati della ricerca e del soccorso urbano, dove gli edifici sono crollati e le scale sono ridotte a macerie frastagliate, i robot devono fare di più che limitarsi a vedere la propria strada; devono sentirla attraverso il tatto. Questo è il dominio dei robot cingolati articolati, macchine dotate di cingoli continui come quelli dei carri armati, ma dotate di ulteriori flipper mobili che possono protendersi e aggrapparsi a gradini o detriti. Queste macchine sono progettate per navigare in ambienti troppo pericolosi per gli esseri umani e troppo complessi per i normali veicoli ruotati. Tuttavia, far muovere questi robot in modo affidabile è una sfida profonda. Il terreno che attraversano non è una strada liscia, ma una superficie irregolare e instabile dove i cingoli metallici e i flipper del robot perdono e riacquistano costantemente il contatto con la terra. Ogni volta che un flipper tocca un gradino o un cingolo scivola su una roccia instabile, la fisica del movimento del robot cambia istantaneamente. I programmi informatici tradizionali faticano perché si basano su regole predefinite che non possono tenere conto di ogni possibile asperità o inclinazione, mentre i nuovi sistemi basati sull'apprendimento spesso imparano a muoversi in modi che sono fluidi in teoria, ma pericolosamente scattosi o instabili nella realtà.

Per risolvere questo problema, i ricercatori hanno sviluppato un nuovo framework chiamato ASTRIL-MPC, un sistema che consente a questi robot da soccorso di pensare e adattarsi in tempo reale mentre scalano ostacoli. Il cuore di questo sistema è un approccio ibrido che combina tre capacità distinte. Primo, utilizza un modello appreso, essenzialmente un cervello digitale addestrato su migliaia di scalate simulate, per prevedere esattamente come si muoverà il robot nei secondi successivi in base alla forma del terreno davanti a sé. Secondo, utilizza un pianificatore matematico che controlla costantemente queste previsioni rispetto a rigidi criteri di sicurezza, assicurando che il robot non si ribalti o non urti un muro. Terzo, e forse più innovativamente, il sistema impiega un grande modello linguistico per agire come supervisore di alto livello. Invece di dire al robot esattamente quale motore girare, questo supervisore ascolta semplici istruzioni umane, come "muoviti con cautela" o "vai più veloce", e le traduce in aggiustamenti precisi per le impostazioni interne del robot. Ciò consente al robot di adattare il proprio comportamento a diversi terreni e alle preferenze dell'operatore senza dover essere riprogrammato o riaddestrato da zero.

I ricercatori hanno testato questo framework in un ambiente simulato che imitava le difficili condizioni di una zona di disastro, inclusi scalini ripidi e interni ingombri. Hanno confrontato il loro nuovo sistema con altri due approcci comuni: un sistema di pianificazione standard che non si adatta alle nuove situazioni e un sistema basato sull'apprendimento addestrato tramite tentativi ed errori. I risultati hanno mostrato che il nuovo sistema guidato dal linguaggio supera significativamente gli altri. Nei test di salita e discesa delle scale, il sistema adattivo ha migliorato la qualità complessiva della traversata fino al 71 percento rispetto al pianificatore non adattivo e del 67 percento rispetto al baseline basato sull'apprendimento. Fondamentalmente, il nuovo sistema ha eliminato gli impatti da collisione misurabili durante la discesa delle scale, un comune punto di fallimento dove i robot spesso urtano i gradini o perdono l'equilibrio. Il sistema ha ottenuto questo risultato affinando continuamente il proprio equilibrio interno tra velocità e stabilità, assicurando che il corpo del robot rimanesse in piano e i suoi movimenti rimanessero fluidi anche quando il terreno cambiava sotto di esso.

Ciò che rende questo traguardo particolarmente degno di nota è il modo in cui il sistema gestisce la complessità del movimento del robot. I ricercatori hanno scoperto che cercare di scrivere ogni possibile interazione fisica tra i cingoli del robot e il terreno era troppo difficile da fare in tempo reale. Invece, hanno addestrato una rete neurale per apprendere queste interazioni dai dati, permettendole di prevedere la posizione futura del robot con alta precisione in meno di un decimo di secondo. Questa velocità è essenziale perché il robot deve prendere decisioni centinaia di volte al secondo per rimanere in piedi. Il sistema inserisce poi questa previsione in un ciclo di pianificazione che risolve il percorso migliore rispettando limiti rigidi, come la velocità massima di rotazione dei cingoli o l'angolo al quale il robot potrebbe ribaltarsi. Mantenendo questi vincoli di sicurezza rigidi, il sistema assicura che, anche quando il robot si sta adattando a una nuova istruzione, non violi mai le leggi fisiche che impediscono la caduta.

Il ruolo del modello linguistico in questo processo è quello di agire come un ponte tra l'intento umano e l'esecuzione della macchina. Quando un operatore fornisce una nuova istruzione, il sistema non cambia semplicemente la destinazione del robot; ricalibra sottilmente i pesi e i limiti che governano il comportamento del robot. Ad esempio, se l'operatore chiede un approccio più cauto, il sistema potrebbe abbassare automaticamente i limiti di velocità e aumentare la penalità per qualsiasi movimento improvviso, facendo sì che il robot si muova più lentamente e deliberatamente. Al contrario, se l'istruzione è di muoversi velocemente, il sistema regola i parametri per consentire velocità maggiori pur mantenendo la stabilità. Questa regolazione avviene all'interno di un cancello di sicurezza che impedisce al modello linguistico di effettuare cambiamenti troppo estremi o contraddittori, garantendo che il robot rimanga al sicuro indipendentemente dall'istruzione ricevuta. I ricercatori hanno dimostrato che questo metodo permette al robot di generalizzare le proprie abilità a ostacoli non visti, come scale di diverse altezze, senza necessità di nuovi dati di addestramento.

Nei loro esperimenti, i ricercatori hanno osservato che il sistema mantiene una postura costante e stabile attraverso una varietà di scenari impegnativi. Quando attraversa un singolo blocco grande o naviga in una serie di scale, il robot seleziona autonomamente la configurazione corretta per i suoi flipper, estendendoli per aggrapparsi ai gradini o ritraendoli per evitare ostacoli. Questo livello di coordinazione, che precedentemente richiedeva una calibrazione esperta per ogni ambiente specifico, è stato raggiunto dinamicamente dal sistema. I dati hanno mostrato che il controller adattivo ha ridotto le vibrazioni e i sussulti del corpo del robot, portando a un movimento più fluido e a meno stress sui componenti della macchina. La capacità di eliminare gli impatti da collisione durante la discesa è stata particolarmente significativa, poiché suggerisce che il robot possa navigare in sicurezza su pendii ripidi e instabili senza danneggiarsi o danneggiare i detriti circostanti.

Il successo di questo framework suggerisce una nuova strada per i robot autonomi in ambienti complessi e non strutturati. Combinando il potere predittivo dei modelli appresi con la rigorosa sicurezza della pianificazione matematica e la flessibilità dell'adattamento guidato dal linguaggio, i ricercatori hanno creato un sistema che è allo stesso tempo robusto e reattivo. Le scoperte indicano che questo approccio può gestire la natura ibrida e discontinua delle interazioni robot-terreno, dove il suolo passa da solido a scivoloso o da piatto a ripido in un istante. Sebbene l'attuale lavoro sia stato condotto in simulazione, la velocità del ciclo di controllo e la chiarezza dei risultati suggeriscono che il sistema sia promettente per una futura implementazione. I ricercatori intendono estendere questo lavoro per gestire oggetti deformabili, incorporare l'efficienza energetica nel processo decisionale del robot e validare il framework su ulteriori piattaforme reali per migliorare ulteriormente l'efficienza nelle missioni di soccorso a lunga durata. In definitiva, questo lavoro dimostra che, con la giusta combinazione di apprendimento e sicurezza, i robot possono essere affidati alla navigazione nei luoghi più difficili e pericolosi della Terra.