VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain

Stel je voor dat je een robot leert rijden. In de gladde, voorspelbare wereld van een videogame of een vlak parkeerterrein is dit makkelijk: je vertelt de robot "draai links", en hij weet precies hoe zijn wielen de grond zullen grijpen en hoe de auto zal bewegen. Maar gooi diezelfde robot in de wilde, hobbelige, modderige en steile wereld van off-road rijden, en alles verandigt. De grond is niet zomaar een plat oppervlak; het is een levende, ademende hindernisbaan met heuvels, kuilen, modder en rotsen die verschuiven onder de banden. Dit is de wereld van kinodynamica—een chique woord voor het begrijpen van hoe het fysieke lichaam van een voertuig (zijn massa, ophanging en wielen) interacteert met de grond om beweging te creëren.

Voor een robot om door deze chaos veilig te navigeren, heeft hij een "glazen bol" nodig die precies voorspelt wat er hierna zal gebeuren. Als de robot het fout raadt, kan hij omkieperen, vast komen te zitten of crashen. De grote uitdaging is dat elke robot anders is gebouwd (sommigen hebben vier wielen, anderen rupsbanden, sommigen zijn zwaar, anderen licht) en elke stuk grond is ook weer anders. Traditioneel gezien, als je een nieuwe robot op een nieuwe berg wilde laten rijden, zou je wekenlang de tijd moeten besteden om hem vanaf nul te leren, waarbij je data verzamelt totdat hij de kneepjes van het vak beheerst. Maar wat als je de ervaring van andere robots gewoon zou kunnen "downloaden" en deze direct kunt aanpassen aan de nieuwe robot? Dat is de droom van cross-vehicle adaptatie: het delen van rij-intelligentie tussen verschillende machines, zodat ze direct kunnen leren, zelfs op terrein dat ze nog nooit eerder hebben gezien.

Hier komt het papier VertiAKD met een slimme nieuwe oplossing. De onderzoekers, werkend met een team aan de George Mason University, realiseerden zich dat hoewel robots verschillend zijn, de fysica van hoe ze worstelen of glijden over hobbelige grond verborgen patronen deelt. Ze bouwden een systeem dat werkt als een universele vertaler voor off-road rijden. In plaats van een nieuwe robot alles vanaf nul opnieuw te laten leren, kijkt VertiAKD naar een bibliotheek van eerdere rijervaringen van vele verschillende robots. Het vindt de specifieke "rijverhalen" die passen bij de huidige situatie van de nieuwe robot—zoals het vinden van een recept dat werkt voor een specifiek type bloem en oven.

Het systeem werkt in drie magische stappen. Eerst creëert het een gedeelde "geheugenbank" waar het opslaat hoe verschillende voertuigen met verschillende terreinen omgaan, waarbij zaken worden gecodeerd zoals hoe steil een heuvel is en of de grond rotsachtig of zanderig is. Ten tweede, wanneer een nieuwe robot arriveert met slechts een heel klein beetje nieuwe data (slechts één minuut rijden), scant het systeem de geheugenbank om de meest relevante eerdere ervaringen te vinden. Het kopieert ze niet alleen; het mengt ze samen zoals een DJ die de beste beats uit verschillende nummers mixt om een perfect nieuw nummer te maken. Dit geeft de nieuwe robot een "voorsprong" of een slimme gok over hoe hij moet bewegen.

Maar de echte magie gebeurt daarna. Het systeem weet dat geen enkele gok perfect is, vooral niet op een nieuwe berg. Daarom gebruikt het een wiskundige truc genaald Recursive Least Squares (RLS) om voorspellingen continu in realtime aan te passen terwijl de robot rijdt. Denk aan een copiloot die steeds weer fluistert: "Hé, je glijdt iets meer dan ik dacht, pas je sturing aan," terwijl hij de voorspelling van de robot elke seconde verfijnt zonder dat de robot hoeft te stoppen om het hele boek opnieuw te leren.

De onderzoekers testten dit idee op twee manieren: in een hoogtechnologische computersimulator genaamd Verti-Bench en op echte, fysieke robotauto's in een testarena. Ze zetten VertiAKD af tegen andere methoden, inclusief methoden die vanaf nul probeerden te leren of gewoon oude data kopieerden. De resultaten waren opmerkelijk. Wanneer het slechts één minuut aan nieuwe data kreeg, verminderde VertiAKD de voorspellingsfouten met wel 34,52% vergeleken met het simpelweg kopiëren van oude data, en een enorme 94,43% vergeleken met andere toonaangevende methoden. In de echte wereld betekende dit dat de robot succesvol door lastig, onbekend terrein kon navigeren waar andere methoden volledig faalden.

De auteurs merken echter voorzichtig op dat hun "glazen bol" beperkingen heeft. Het werkt geweldig op harde, rotsachtige of grasachtige grond waar de vorm van het terrein het belangrijkst is. Maar als de grond zachte, snotterige modder of diepe sneeuw is die van vorm verandert terwijl de wielen erin wegzinken, heeft het huidige systeem moeite omdat het de complexe fysica van wegzakken en glijden nog niet begrijpt. Voor nu is VertiAKD een enorme sprong voorwaarts voor robots die snel en veilig over ruig, veranderend terrein moeten rijden, en bewijst dat met de juiste vorm van gedeeld geheugen, een robot in een oogwenk kan leren rijden als een professional.