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

I robot che camminano su quattro zampe sono diventati straordinariamente abili nel navigare nel mondo disordinato e irregolare in cui viviamo. Possono arrampicarsi su rocce, avanzare nel fango e riprendersi dagli scivolamenti con una grazia che un tempo sembrava impossibile per le macchine. Tuttavia, un ostacolo significativo rimane quando a questi robot viene chiesto di fare qualcosa di più del semplice camminare: spingere, tirare o trasportare oggetti mentre si muovono. Questo doppio compito, noto come loco-manipolazione, richiede che il robot interagisca con il proprio ambiente in modi complessi. La difficoltà risiede nel fatto che il mondo fisico è pieno di incognite. Un robot non sa intrinsecamente quanto sia pesante una scatola, quanto sia ruvido il pavimento o quanta frizione esista tra i suoi piedi e il terreno. Se un robot assume che una scatola sia leggera quando invece è pesante, o assume che il terreno sia scivoloso quando invece è appiccicoso, i suoi movimenti falliranno. Potrebbe scivolare, far cadere l'oggetto o diventare instabile. Affinché un robot abbia successo in queste condizioni incerte, non può fare affidamento su un insieme di regole pre-programmate basate su una conoscenza perfetta; deve essere in grado di apprendere le proprietà fisiche del suo ambiente mentre si muove.

I ricercatori hanno a lungo cercato di risolvere questo problema insegnando ai robot a indovinare queste proprietà prima di iniziare un compito, o utilizzando complessi modelli matematici che richiedono al robot di calcolare la fisica esatta di ogni interazione. Questi metodi tradizionali spesso faticano perché il mondo reale è troppo caotico per calcoli perfetti, specialmente quando i piedi di un robot sono costantemente in contatto e in distacco con il suolo. Un nuovo approccio, sviluppato da un team di ingegneri, offre una soluzione diversa. Invece di cercare di calcolare la risposta perfetta fin dall'inizio, il robot testa continuamente molteplici possibilità nella propria mente, le confronta con ciò che sta effettivamente percependo e aggiorna la sua comprensione in tempo reale. Questo metodo permette al robot di adattarsi istantaneamente quando il peso di un oggetto cambia o quando compie un passo da un pavimento liscio a uno ruvido.

Il nucleo di questo nuovo sistema è un framework che i ricercatori chiamano Adaptive-MHE. Per capire come funziona, immaginate un robot che spinge una scatola pesante su un pavimento. Mentre il robot si muove, registra ogni dettaglio dell'interazione: quanto velocemente si muove, come si flettono le sue articolazioni e come risponde la scatola. Il sistema avvia quindi una simulazione rapida e parallela in background. Genera migliaia di diversi scenari "e se". In uno scenario, la scatola potrebbe essere molto leggera; in un altro, potrebbe essere estremamente pesante; in un terzo, il pavimento potrebbe essere coperto di ghiaccio. Il sistema simula come si muoverebbe il robot sotto ognuna di queste diverse ipotesi. Poi confronta questi movimenti simulati con i dati reali che il robot sta raccogliendo dal mondo fisico. Lo scenario che più si avvicina ai dati del mondo reale viene selezionato come la verità più probabile. Questo processo non è un calcolo una tantum; avviene continuamente in una finestra scorrevole, affinando costantemente la stima del robot sul mondo man mano che arrivano nuove informazioni.

Questo processo di stima è strettamente accoppiato al sistema di controllo del robot. Una volta che il sistema ha un'idea migliore del peso della scatola o della frizione del pavimento, utilizza immediatamente questa informazione per regolare i movimenti del robot. Il sistema di controllo, che decide come devono muoversi le zampe del robot, usa queste stime aggiornate per pianificare i passi successivi. Se il robot si rende conto che la scatola è più pesante di quanto pensasse, applicherà automaticamente più forza. Se rileva che il pavimento è più scivoloso, regolerà la sua posizione per mantenere l'equilibrio. L'intero ciclo di percezione, stima e azione avviene così rapidamente che il robot sembra reagire istintivamente ai cambiamenti del suo ambiente. I ricercatori hanno testato questo sistema su un robot quadrupede chiamato Unitree Go1, che è un robot a quattro zampe disponibile commercialmente. Lo hanno posto in una serie di compiti impegnativi progettati per testare la sua capacità di gestire l'incertezza.

In un set di esperimenti, il robot aveva il compito di spingere una scatola verso un obiettivo specifico. I ricercatori hanno introdotto cambiamenti improvvisi nell'ambiente per vedere come il robot avrebbe reagito. In uno scenario, la massa della scatola è stata aumentata di un chilogrammo mentre il robot la stava già spingendo. In un altro, il robot doveva spingere la scatola attraverso due tipi diversi di pavimentazione: uno con un coefficiente di attrito basso di 0,4 e uno con un coefficiente di attrito alto di 0,8. Il robot doveva rilevare questo cambiamento nella consistenza del pavimento e regolare la sua forza di spinta di conseguenza senza fermarsi o perdere il controllo. Il sistema ha anche testato la capacità del robot di spingere una scatola usando una sola zampa mentre le altre tre restavano stazionarie, un compito che richiede precisione nel bilanciamento e nell'applicazione della forza.

I risultati hanno mostrato che il sistema Adaptive-MHE ha superato significativamente i robot che si affidavano ad assunzioni fisse e pre-impostate sull'ambiente. Quando al robot veniva data una convinzione fissa sul peso della scatola o sulla frizione del pavimento, falliva nel completare il compito nella maggior parte dei tentativi, spesso scivolando o mancando l'obiettivo. Al contrario, il robot adattivo ha avuto successo in quasi l'87 percento dei tentativi, nonostante fosse partito senza alcuna conoscenza delle reali proprietà fisiche. Sebbene non sia stato perfetto come un robot ipotetico che conosceva esattamente il peso e la frizione sin dall'inizio, si è avvicinato notevolmente. Il robot adattivo è stato in grado di ridurre l'errore nel raggiungere l'obiettivo a una frazione della distanza del robot non adattivo. Ha inoltre completato i compiti più velocemente e con meno energia sprecata.

I ricercatori hanno scoperto che il sistema funzionava meglio quando aggiornava le sue stime frequentemente, ma non così spesso da diventare instabile. Hanno testato varie impostazioni per determinare quanto spesso il robot dovesse rivalutare l'ambiente e quanti diversi scenari dovesse simulare contemporaneamente. Hanno scoperto che era necessario un equilibrio: aggiornare le stime ogni pochi secondi permetteva al robot di tracciare i cambiamenti efficacemente senza essere sopraffatto dal rumore nei dati. Il sistema è stato in grado di identificare la massa dell'oggetto e la frizione del terreno con alta precisione, anche quando queste proprietà cambiavano bruscamente durante il compito. Questa capacità suggerisce che i robot possono essere progettati per operare efficacemente in ambienti in cui le proprietà fisiche sono sconosciute o in costante mutamento, senza dover essere riaddestrati per ogni nuova situazione.

Questo lavoro rappresenta un passo avanti significativo nel rendere i robot più robusti e versatili. Combinando un metodo per stimare i parametri fisici con un controllore capace di agire su tali stime in tempo reale, i ricercatori hanno creato un sistema in grado di gestire l'imprevedibilità del mondo reale. L'approccio non richiede sensori speciali per misurare direttamente il peso o la frizione; piuttosto, inferisce queste proprietà dai movimenti e dalle interazioni del robot stesso. Ciò rende la tecnologia più pratica per l'impiego in contesti diversi, dai magazzini alle zone di disastro, dove le condizioni sono raramente note in anticipo. Il successo del framework Adaptive-MHE dimostra che i robot possono imparare ad adattarsi al proprio ambiente fisico "al volo", colmando il divario tra l'ambiente controllato di una simulazione e la realtà caotica del mondo esterno.