Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
Dit artikel presenteert een robuust navigatiekader voor tensegrity-robots dat een contactbewust Graph Neural Network-dynamisch model combineert met een hybride Model Predictive Path Integral-controller om superieure prestaties te behalen in complexe, contactrijke omgevingen vergeleken met bestaande baselines.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Robots die zich door de wereld bewegen, worden vaak geconfronteerd met een fundamenteel dilemma: ze moeten sterk genoeg zijn om hun eigen gewicht te dragen en door obstakels heen te duwen, maar tegelijkertijd flexibel genoeg om zich aan te passen wanneer de grond onder hen verschuift. Traditionele robots, gebouwd van starre metalen frames, hebben moeite wanneer het terrein ongelijk, rotsachtig of rommelig is, waardoor ze vaak vast komen te zitten of omvallen. Een andere benadering maakt gebruik van structuren gemaakt van stijve staven die bij elkaar worden gehouden door een netwerk van flexibele kabels. Deze "tensegrity"-robots zijn lichtgewicht en ongelooflijk duurzaam; als ze vallen, stuiteren ze eerder dan dat ze breken. Het besturen van deze robots is echter berucht moeilijk. Omdat hun beweging afhangt van de complexe wisselwerking tussen de spanning in de kabels en de manier waarop de staven de grond raken, is het voorspellen van hoe ze zullen rollen of tollen vergelijkbaar met het proberen te voorspellen van het weer met onvolledige gegevens. De robots kunnen hun eigen volledige vorm of de exacte hoek van de grond die ze raken vaak niet zien, wat het voor een computer moeilijk maakt om een veilig pad naar voren te plannen.
Onderzoekers aan de Rutgers University en de Yale University hebben een nieuwe manier ontwikkeld om deze stuiterende robots door complexe omgevingen te leiden, waaronder steile hellingen, smalle gangen en laaghangende obstakels. In plaats van te vertrouwen op een perfecte wiskundige formule om de beweging van de robot te beschrijven, hebben ze een computermodel geleerd om van ervaring te leren. Dit model maakt gebruik van een type kunstmatige intelligentie dat bekend staat als een graph neural network, wat bijzonder goed is in het begrijpen van hoe verschillende onderdelen van een systeem met elkaar verbonden zijn. In dit geval is het systeem de robot zelf, samen met de muren en de grond waarmee hij mogelijk botst. De onderzoekers hebben een speciale functie toegevoegd aan dit leersysteem waarmee de robot kan "voelen" wanneer hij een oppervlak raakt, of dat oppervlak nu een vlakke vloer, een schuine helling of zelfs een ander deel van de eigen robotstructuur is. Dit vermogen om contact te ervaren is cruciaal, aangezien de robot vaak tegen een muur moet leunen of onder een barrière door moet knijpen om vooruit te komen.
Om dit leermodel aan het werk te zetten, creëerde het team een controlesysteem dat fungeert als een constante, razendsnelle planner. Stel je voor dat de robot een fractie van een seconde stopt om duizenden verschillende manieren te bedenken waarop hij zich de komende paar seconden zou kunnen bewegen. Het simuleert elke mogelijkheid in zijn geest en controleert welk pad tot het doel leidt zonder te crashen. Het systeem kiest vervolgens de beste optie en voert deze uit, om vervolgens direct de volgende reeks bewegingen te gaan plannen. Dit proces, bekend als model predictive control, stelt de robot in staat om in realtime te reageren op veranderingen. De onderzoekers ontdekten echter dat de robot moeite had om op eigen kracht effectief te draaien. Om dit op te lossen, combineerden ze het slimme planningssysteem met een reeks eenvoudige, vooraf geprogrammeerde draaibewegingen. Wanneer de robot van richting moet veranderen, gebruikt hij deze betrouwbare draaibewegingen om de juiste kant op te draaien, en laat hij vervolgens de slimme planner het overnemen om de rest van het pad te navigeren.
Het team testte deze aanpak in een hoogwaardige computersimulatie die de fysica van de echte wereld nabootst. Ze stelden vijf verschillende uitdagingen op voor de robot, variërend van een eenvoudige vlakke baan met muren tot een moeilijke driedimensionale hindernisbaan die steile hellingen en nauwe ruimtes bevatte. In de moeilijkste test moest de robot een parcours afleggen dat hij nog nooit eerder had gezien, waarbij alle voorgaande uitdagingen werden gecombineerd in één geheel. De resultaten lieten zien dat de robot die het nieuwe leersysteem en de hybride draaiestrategie gebruikte, veel succesvoller was dan oudere methoden. Terwijl andere benaderingen er niet in slaagden om hellingen te beklimmen of vast kwamen te zitten in smalle doorgangen, slaagde het nieuwe systeem erin om in het overgrote deel van de pogingen het doel te bereiken, zelfs in de onbekende omgevingen. De robot verbeterde naarmate hij meer gegevens verzamelde, en werd sneller en nauwkeuriger bij elke ronde van testen.
Dit werk suggereert dat door robots te leren hoe ze de wereld om hen heen aanraken, en door hen een combinatie van geleerde intelligentie en eenvoudige, betrouwbare bewegingen te geven, we machines kunnen creëren die in staat zijn om door het rommelige, onvoorspelbare terrein van de echte wereld te navigeren. De onderzoekers hebben aangetoond dat deze methode goed werkt in simulatie, wat de weg vrijmaakt voor toekomstige tests met fysieke robots. Hoewel het huidige systeem beperkt is tot vlakke oppervlakken en verdere ontwikkeling vereist om volledig ongestructureerde omgevingen aan te kunnen, biedt het succes van deze aanpak een veelbelovend pad naar robots die rampgebieden kunnen verkennen, overlevenden in puin kunnen zoeken of de ruige landschappen van andere planeten kunnen doorkruisen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.