Dual-Level Humanoid Whole-Body Controller
Questo articolo introduce Jaeger, un controllore whole-body a due livelli per robot umanoidi che disaccoppia il controllo della parte superiore e inferiore del corpo per superare le sfide di dimensionalità, utilizzando un approccio ibrido di apprendimento supervisionato e per rinforzo addestrato su dati di movimento umano ritargettizzati per ottenere prestazioni robuste e versatili sia in simulazione che in ambienti reali.
Articolo originale sotto licenza CC BY 4.0 (https://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 umanoidi sono da tempo il sogno della fantascienza: macchine costruite per apparire e muoversi come noi, capaci di percorrere le nostre scale, aprire le nostre porte e maneggiare i nostri strumenti. Affinché questi robot siano davvero utili, devono padroneggiare il controllo dell'intero corpo, un complesso equilibrio in cui la macchina coordina decine di giunti simultaneamente per rimanere in piedi mentre raggiunge oggetti, cammina o trasporta carichi. La sfida risiede nell'enorme numero di parti in movimento; le braccia di un robot spesso hanno esigenze contrastanti con le gambe, come quando le braccia oscillano selvaggiamente per afferrare una tazza mentre le gambe devono rimanere perfettamente stabili per evitare una caduta. I metodi tradizionali spesso faticano a insegnare a un singolo programma informatico come gestire tutti questi pezzi in movimento contemporaneamente, portando a movimenti rigidi, instabili o soggetti a fallimenti quando il robot incontra l'imprevedibilità del mondo reale.
Un team di ricercatori della Beijing Academy of Artificial Intelligence ha sviluppato un nuovo approccio a questo problema, creando un sistema di controllo che chiamano JAEGER. Invece di costringere un unico cervello a gestire l'intero robot, hanno suddiviso il compito in due ruoli distinti, proprio come il cervello umano potrebbe gestire separatamente il ritmo del camminare mentre si concentra sulle mani per un compito delicato. Questo sistema a due livelli assegna un controllore al corpo inferiore del robot, responsabile dell'equilibrio e del movimento sul terreno, e un secondo controllore indipendente al corpo superiore, dedicato all'allungamento e alla manipolazione di oggetti. Separando questi compiti, i ricercatori hanno scoperto di poter addestrare il robot in modo più efficace, permettendo a ogni parte di concentrarsi sul proprio lavoro specifico senza intralciare l'altra.
I ricercatori hanno testato questo sistema su due diversi robot umanoidi, l'H1 e l'H1-2, eseguendo migliaia di sessioni di addestramento in un ambiente simulato prima di passare al mondo reale. Hanno insegnato ai robot a eseguire una vasta gamma di compiti, dal camminare lateralmente e in avanti all'esecuzione di complessi movimenti simili a una danza che richiedono una coordinazione precisa tra il torso e gli arti. In una dimostrazione, il robot ha utilizzato un joystick e un'interfaccia di realtà virtuale per avvicinarsi e afferrare una bambola mentre era in movimento, facendo affidamento sul controllore del corpo inferiore per mantenere la stabilità mentre il controllore del corpo superiore guidava le braccia. In un'altra, il robot ha eseguito una serie di passi di danza, spostando il peso e muovendo gli arti in una sequenza fluida che richiedeva che entrambi i controllori lavorassero in armonia.
Per far sì che ciò funzionasse, il team ha dovuto risolvere un difficile problema di dati: come tradurre i movimenti umani, registrati da persone reali, in istruzioni che un robot possa seguire. I corpi umani e i corpi dei robot sono costruiti diversamente; un essere umano ha un numero diverso di giunti e un diverso raggio di movimento rispetto a una macchina. I ricercatori hanno creato un sistema rapido ed efficiente per mappare le pose umane sullo scheletro del robot, assicurando che i movimenti sembrassero naturali e fossero fisicamente possibili per la macchina. Hanno poi utilizzato un metodo di addestramento passo dopo passo, insegnando prima al robot come camminare e mantenere l'equilibrio da solo, e poi introducendo gradualmente i compiti del corpo superiore. Questo approccio ha evitato che il robot diventasse confuso o instabile durante il processo di apprendimento, permettendogli di convergere verso una soluzione che fosse allo stesso tempo robusta e versatile.
I risultati dei loro esperimenti hanno dimostrato che questa strategia di controllo diviso funzionava significativamente meglio dei metodi precedenti. Quando testati sulla capacità dei robot di seguire i comandi per muoversi a velocità specifiche o mantenere pose specifiche, il nuovo sistema ha commesso meno errori rispetto alle principali alternative. Ad esempio, quando gli è stato chiesto di seguire una velocità target durante il movimento, il robot utilizzando il nuovo sistema ha commesso errori di soli circa 0,15 metri al secondo nella sua velocità di avanzamento, un netto miglioramento rispetto ad altri metodi che faticavano a mantenere la rotta. Allo stesso modo, quando gli è stato chiesto di imitare pose complesse, i giunti del robot si sono mossi con molta più precisione, riducendo la differenza tra la posizione prevista e quella reale a una frazione di quanto ottenuti altri sistemi.
I ricercatori hanno anche scoperto che mantenere i due controllori separati era cruciale per la stabilità del robot. Quando hanno provato a usare un singolo controllore per gestire l'intero corpo, il robot spesso sacrificava l'equilibrio per il movimento, o viceversa, portando a tentativi goffi o falliti di compiti complessi. Decoppiando i sistemi, il corpo inferiore poteva continuare a funzionare efficacemente anche se il corpo superiore incontrava un problema, e il corpo superiore poteva concentrarsi interamente sul compito a disposizione senza preoccuparsi della meccanica del camminare. Questo design ha reso anche il processo di addestramento più veloce e affidabile, poiché il sistema poteva imparare dai dati del movimento umano senza restare bloccato dalle richieste contrastanti di una singola rete di controllo monolitica.
Nei test finali, i robot hanno dimostrato una straordinaria capacità di recupero dalle perturbazioni. Quando i ricercatori hanno applicato forze laterali equivalenti a una spinta fino a 210 Newton, i robot sono stati in grado di mantenere l'equilibrio o di recuperare dallo sbalzo in più del 90 percento dei tentativi. Questa resilienza suggerisce che il sistema non è solo un successo teorico, ma una soluzione pratica per applicazioni nel mondo reale. I ricercatori hanno osservato che il loro metodo consente aggiornamenti ad alta frequenza, il che significa che il robot può regolare i suoi movimenti più di mille volte al secondo, una velocità necessaria per compiti a bassa latenza come la chirurgia remota o la manipolazione delicata.
Il lavoro non pretende di aver risolto ogni problema nella robotica, ma offre una via chiara per rendere i robot umanoidi più capaci e affidabili. Scomponendo il complesso compito del controllo dell'intero corpo in parti gestibili e specializzate, i ricercatori hanno dimostrato che i robot possono imparare a muoversi con un livello di fluidità e adattabilità che era precedentemente difficile da raggiungere. Il successo di JAEGER suggerisce che il futuro della robotica umanoidi potrebbe non risiedere nella costruzione di un unico cervello onnisciente, ma nella creazione di sistemi in cui diverse parti della macchina possano lavorare insieme, ognuna facendo ciò che sa fare meglio, per raggiungere un obiettivo comune.
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.