Dual-Horizon Hybrid Internal Model for Low-Gravity Quadrupedal Jumping with Hardware-in-the-Loop Validation

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een robot-hond wilt meenemen naar de maan. Op aarde is dat makkelijk: de robot loopt, stapt en houdt zijn evenwicht. Maar op de maan is de zwaartekracht veel zwakker. Als je daar een sprong maakt, vlieg je niet even kort, maar zweef je lang door de lucht, alsof je in een droom zweeft.

Het probleem? Omdat je zo lang in de lucht bent, is het heel moeilijk om te weten waar je bent en hoe je moet landen. Het is alsof je probeert te dansen terwijl je blinddoek draagt en de muziek heel langzaam gaat. Als de robot niet precies weet wat hij doet, landt hij op zijn kop of valt hij om.

De onderzoekers van dit papier hebben een slimme oplossing bedacht, samen met een heel cool testlab. Hier is hoe het werkt, vertaald in alledaags taal:

1. De "Twee-Uurklok" Brein (Het Slimme Model)

De robot heeft een brein nodig dat twee verschillende tijdschalen tegelijk kan begrijpen. De onderzoekers noemen dit een "Dual-Horizon" model.

De snelle klok (Korte horizon): Stel je voor dat je een bal gooit. Je moet heel snel weten: "Ga ik nu omhoog of kom ik nu naar beneden?" Dit is de snelle klok. Hij kijkt naar de laatste paar seconden en zegt: "Oeps, we landen!" of "We springen!"
De trage klok (Lange horizon): Maar omdat je op de maan zo lang vliegt, moet je ook weten: "Waar was ik een seconde geleden en waar ga ik over een seconde zijn?" De trage klok kijkt naar het hele traject van de sprong. Hij houdt het overzicht, net als een kapitein die de route van een schip volgt, terwijl de snelle klok de roerganger is die de stuurknuppel vasthoudt.

Door deze twee klokken te combineren, weet de robot precies wat hij doet, zelfs als hij lang in de lucht hangt. Hij heeft geen camera's nodig om naar de grond te kijken; hij voelt alleen zijn eigen beweging (net als hoe jij je evenwicht voelt als je op één been staat met je ogen dicht).

2. De "Drie-Fase" Beloningssysteem

Hoe leer je een robot om te springen? Je belooft hem snoepjes (in de computerwereld "rewards" genoemd) als hij het goed doet. Maar op de maan is "goed doen" anders dan op aarde.

De onderzoekers hebben een slim systeem bedacht dat automatisch weet in welke fase de robot zit:

De Afschietfase: "Spring hard!" (Beloning voor kracht).
De Zweeffase: "Blijf rechtop!" (Beloning voor stabiliteit in de lucht).
De Landingsfase: "Land zacht en veilig!" (Beloning voor een goede landing).

Het systeem schakelt automatisch tussen deze drie modi, alsof je een afstandsbediening hebt die van "Springen" naar "Vliegen" naar "Landen" schakelt, zonder dat de robot zelf hoeft na te denken.

3. De MATRIX: De Maan in het Lab

Het moeilijkste deel is testen. Je kunt niet zomaar naar de maan gaan om je robot te testen. Je kunt ook niet in een vliegtuig blijven vliegen (dat is duur en kort).

Dus hebben ze MATRIX gebouwd. Dit is een soort "Matrix-videospel" in de echte wereld.

De Zwaartekracht-truc: De robot hangt aan een touw met een zwaar gewicht eraan (een contragewicht). Dit trekt de robot een beetje omhoog, waardoor hij zich lichter voelt, alsof hij op de maan is. Het is alsof je in een zwembad loopt, maar dan in de lucht.
De Loopband en het Bewegingsplatform: De robot loopt op een loopband. Maar als de robot over een heuvel in het "virtuele spel" loopt, kantelt de loopband en het platform onder hem. Als de robot in het spel een krater ziet, kantelt het platform zodat de robot echt over een helling loopt.

Het is een perfecte mix van een video-game (Unreal Engine) en echte hardware. De robot denkt dat hij op de maan is, terwijl hij in een lab in China loopt.

Wat hebben ze bewezen?

Ze hebben getest of hun robot (een Unitree A1) over ongelijk maan-achtig terrein kon springen: van vlakke vlaktes tot steile kraters.

Resultaat: De robot met hun nieuwe "Twee-Uurklok" brein en de "MATRIX" testbank kon langdurig en stabiel springen, zelfs op ruwe grond.
Zonder hun trucjes: De robot viel vaak om of kon niet lang doorgaan.

Conclusie

Kortom: Om een robot op de maan te laten springen, moet je hem een brein geven dat zowel snel als langzaam kan denken, en je moet hem testen in een lab dat voelt als de maan. Dit papier laat zien dat het werkt. Het is een grote stap richting het hebben van robot-honden die de maan kunnen verkennen, kraters kunnen bestijgen en wetenschappelijk onderzoek kunnen doen in gebieden waar wielen niet kunnen komen.

Each language version is independently generated for its own context, not a direct translation.

Hier is een gedetailleerde technische samenvatting van het paper "Dual-Horizon Hybrid Internal Model for Low-Gravity Quadrupedal Jumping with Hardware-in-the-Loop Validation", vertaald en samengevat in het Nederlands.

Probleemstelling

Beweging onder verminderde zwaartekracht (zoals op de Maan) vereist vaak springen of pronken (continu springen op twee poten), aangezien lopen inefficiënt is. Echter, het uitvoeren van continu pronken op ruw maanoppervlak blijft een grote uitdaging vanwege:

Verlengde vluchtfases: Door de lage zwaartekracht ( $g \approx 1,62 m/s^2$ ) blijft een robot veel langer in de lucht dan op aarde. Dit verhoogt de gevoeligheid voor landingsimpact en maakt de regeling van de houding (attitude) moeilijker.
Schaarse grondcontacten: Contactmomenten zijn zeldzaam en onderbroken, waardoor bestaande methoden die vertrouwen op korte observatievensters (ontworpen voor aardse zwaartekracht) falen in het schatten van de volledige staat van de robot tijdens een sprongcyclus.
Gebrek aan validatie: Bestaande oplossingen richten zich vaak op enkele sprongen op vlakke ondergrond en missen realistische hardware-validatie op complex, driedimensionaal terrein.

Methodologie

De auteurs stellen een geavanceerd besturingskader voor dat bestaat uit drie kerncomponenten:

1. Dual-Horizon Hybrid Internal Model (DH-HIM)

Om de uitdaging van de verlengde vluchtfase aan te pakken, wordt een hybride intern model ontwikkeld dat gebruikmaakt van twee temporele encoders op complementaire tijdschalen, uitsluitend gebaseerd op proprioceptieve sensoren (geen externe terreinwaarneming):

Korte horizon (Short-Horizon): Een encoder die een kort venster (6 stappen, ~0,12s) analyseert. Dit model schat expliciet de verticale snelheid ( $\hat{v}_z$ ) om de fase van de sprong (opstijgen, vliegen, landen) te detecteren en snelle dynamiek te vangen.
Lange horizon (Long-Horizon): Een encoder die een langere, onderbemonsterde reeks (15 frames, ~0,9s) analyseert. Dit model vangt horizontale bewegingstrends en de evolutie van de zwaartepuntshoogte ( $\hat{h}$ ) over de volledige sprongcyclus.
Fusie: De gecombineerde representatie van beide encoders wordt gebruikt als input voor het beleidsnetwerk (Policy Network), waardoor de robot zowel snelle reacties als langetermijntrends kan voorspellen.

2. Fase-Adaptieve Gated Reward Design

In plaats van een statische toestandsmachine te gebruiken, infereert het beloningssysteem de sprongfase dynamisch op basis van de geschatte hoogte en verticale snelheid:

Drie fasen worden onderscheiden: Opstijgen (takeoff), Vliegen (flight), en Landen (landing).
Specifieke beloningen worden geactiveerd per fase:
- Opstijgen: Beloning voor voldoende verticale snelheid.
- Vliegen: Straf voor rollen en pitch (houdingstabiliteit in de lucht).
- Landen: Beloning voor gecoördineerde landing en minimale verticale snelheid bij impact.

3. Het MATRIX-platform (Hardware-in-the-Loop)

Om de algoritmen fysiek te valideren zonder een volledige zwaartekrachtsomgeving te bouwen, hebben de auteurs MATRIX (Mixed-reality Adaptive Testbed for Robotic Integrated eXploration) ontwikkeld:

Zwaartekracht-simulatie: Een katrol- en contragewichtssysteem (2:1 mechanisch voordeel) verlaagt het effectieve gewicht van de robot naar maanzwaartekracht.
Terrein-emulatie: Een digitale tweeling in Unreal Engine scant het virtuele maanoppervlak (kraters, hellingen) in real-time. Deze data stuurt een 6-DoF Stewart-platform en een loopband aan.
Werking: De loopband compenseert de voorwaartse beweging, terwijl het Stewart-platform de hellingshoeken (roll en pitch) nabootst die de robot zou ervaren op het virtuele terrein.

Belangrijkste Bijdragen

Dual-Horizon Besturingskader: Een nieuw besturingskader voor continu springen op complexe maan-achtige terreinen, dat multi-schaal interne modellering en fase-adaptieve beloningen combineert.
MATRIX-platform: De ontwikkeling van een digitaal-twee-gedreven hardware-in-the-loop testomgeving die real-time maanzwaartekracht en 3D-terreingeometrie kan emuleren.
Experimenteel Bewijs: De eerste demonstratie van continu pronken van een viervoetige robot onder gemaakte maanzwaartekracht over kraterrijk terrein, waarbij de kloof tussen simulatie en realiteit (Sim-to-Real) succesvol wordt overbrugd.

Resultaten

De resultaten werden getest op een Unitree A1 viervoetige robot, zowel in simulatie (Isaac Gym) als op het MATRIX-platform.

Simulatie (Ablatie-studies):
- Het Dual-Horizon model presteerde significant beter dan modellen met alleen korte of alleen lange horizons. Het bereikte de laagste schattingsfouten voor verticale snelheid en hoogte.
- De methode met fase-adaptieve beloningen had een survival time van 18,9 seconden (tegenover 9,7s zonder fase-beloning) en een landingsuccessrate van 86,7% (tegenover 58,4%).
- Dit bevestigt dat het combineren van tijdschalen essentieel is voor stabiel springen en dat fase-specifieke beloningen cruciaal zijn voor controle.
Real-World Experimenten (MATRIX):
- De robot slaagde erin om continu te pronken op snelheden van 0,3 m/s tot 0,7 m/s over verschillende terreintypes (vlakke vlakten, ongelijk terrein, heuvels en kraters).
- De combinatie van Gravity Domain Randomization (willekeurige variatie in zwaartekracht tijdens training) en Phase-Triggered Disturbance (simulatie van kabelslappeffecten) bleek noodzakelijk voor robuustheid.
- De beste resultaten werden behaald op vlakke terreinen, met een geleidelijke afname in prestaties op steilere en kraterachtige terreinen, maar de robot bleef stabiel binnen de geteste snelheidsbereiken.

Betekenis en Toekomstperspectief

Dit werk is een belangrijke stap vooruit in de ontwikkeling van robotica voor planetaire exploratie. Het lost een fundamenteel probleem op: hoe een robot stabiel blijft tijdens de lange vluchtfases die kenmerkend zijn voor lage zwaartekracht, zonder afhankelijk te zijn van externe sensoren.

De introductie van het MATRIX-platform biedt een nieuwe standaard voor het valideren van lage-zwaartekracht locomotie, waarbij complexe terreinen en dynamische effecten realistischer worden gesimuleerd dan met traditionele zweefsystemen of statische opstellingen. Hoewel er nog uitdagingen zijn (zoals de beperkingen van het ophangsysteem en het ontbreken van simulatie van de interactie tussen poten en maanregoliet), bewijst deze studie dat continu, adaptief springen op de Maan haalbaar is met geavanceerde leer- en besturingsalgoritmen.