In de chaotische, gebroken landschappen van stedelijk zoek- en reddingswerk, waar gebouwen zijn ingestort en trappenhuizen zijn gereduceerd tot grillig puin, moeten robots meer doen dan alleen hun weg naar voren zien; ze moeten zich een weg voelen. Dit is het domein van gearticuleerde rupsvoertuigen, machines uitgerust met continue rupsbanden zoals tanks, maar voorzien van extra, beweegbare flippers die kunnen uitreiken en zich vast kunnen grijpen aan treden of puin. Deze machines zijn ontworpen om omgevingen te navigeren die te gevaarlijk zijn voor mensen en te complex voor standaard voertuigen met wielen. Het maken van een betrouwbare beweging voor deze robots is echter een diepgaande uitdaging. De grond die zij doorkruisen is geen gladde weg, maar een verschuivend, ongelijkmatig oppervlak waar de metalen rupsbanden en flippers van de robot voortdurend contact maken en verbreken met de aarde. Elke keer dat een flipper een trede raakt of een rupsband slipt op een losse steen, verandert de fysica van de beweging van de robot onmiddellijk. Traditionele computerprogramma's worstelen hiermee omdat ze vertrouwen op vooraf geschreven regels die niet elke mogelijke hobbel of hoek kunnen verklaren, terwijl nieuwere, op leren gebaseerde systemen vaak leren te bewegen op manieren die in theorie vloeiend zijn, maar in de praktijk gevaarlijk schokkerig of instabiel zijn.

Om dit op te lossen, hebben onderzoekers een nieuw framework ontwikkeld genaamd ASTRIL-MPC, een systeem dat deze reddingsrobots in staat stelt om in real-time na te denken en zich aan te passen terwijl ze over obstakels klimmen. De kern van dit systeem is een hybride aanpak die drie verschillende capaciteiten combineert. Ten eerste gebruikt het een geleerd model, in essentie een digitale hersenpan getraind op duizenden gesimuleerde beklimmingen, om precies te voorspellen hoe de robot zich over de komende paar seconden zal bewegen op basis van de vorm van de grond voor hem. Ten tweede gebruikt het een wiskundige planner die deze voorspellingen constant controleert tegen strikte veiligheidsregels, om er zeker van te zijn dat de robot nooit omkiept of een muur raakt. Derde, en misschien wel het meest innovatieve, zet het systeem een groot taalmodel in om als een hoogwaardige supervisor te fungeren. In plaats van de robot precies te vertellen welke motor hij moet draaien, luistert deze supervisor naar eenvoudige menselijke instructies, zoals "beweeg voorzichtig" of "ga sneller", en vertaalt deze naar precieze aanpassingen voor de interne instellingen van de robot. Dit stelt de robot in staat om zijn gedrag aan te passen aan verschillende terreinen en voorkeursinstellingen van de operator zonder dat hij opnieuw geprogrammeerd of opnieuw getraind hoeft te worden.

De onderzoekers testten dit framework in een gesimuleerde omgeving die de moeilijke omstandigheden van een rampgebied nabootste, inclus inclusief steile trappen en rommelige interieurs. Ze vergeleken hun nieuwe systeem met twee andere veelvoorkomende benaderingen: een standaard planningsysteem dat niet aanpast aan nieuwe situaties, en een op leren gebaseerd systeem dat getraind is door middel van vallen en opstaan. De resultaten lieten zien dat het nieuwe taalgestuurde systeem de anderen aanzienlijk overtrof. In tests waarbij trappen op en af werden beklommen, verbeterde het adaptieve systeem de algehele kwaliteit van de doorkruising met wel 71 procent ten opzijde van de niet-adaptieve planner en met 67 procent ten opzichte van de op leren gebaseerde baseline. Cruciaal was dat het nieuwe systeem meetbare botsingsimpactken elimineerde wanneer de robot trappen afdaalde, een veelvoorkomend foutpunt waarbij robots vaak tegen treden slaan of hun evenwicht verliezen. Het systeem bereikte dit door continu de interne balans tussen snelheid en stabiliteit te verfijnen, waardoor het lichaam van de robot horizontaal bleef en de bewegingen vloeiend bleven, zelfs terwijl het terrein onder hem veranderde.

Wat deze prestatie bijzonder opmerkelijk maakt, is hoe het systeem de complexiteit van de beweging van de robot afhandelt. De onderzoekers ontdekten dat het te moeilijk was om in real-time elke mogelijke fysieke interactie tussen de rupsbanden van de robot en de grond uit te schrijven. In plaats daarvan trainden ze een neuraal netwerk om deze interacties te leren van data, waardoor het de toekomstige positie van de robot met hoge nauwkeurigheid in minder dan een tiende van een seconde kan voorspellen. Deze snelheid is essentieel omdat de robot honderden keren per seconde beslissingen moet nemen om rechtop te blijven staan. Het systeem integreert deze voorspelling vervolgens in een planningslus die zoekt naar het beste pad vooruit, terwijl het rekening houdt met harde grenzen, zoals de maximale snelheid waarmee de rupsbanden kunnen draaien of de hoek waaronder de robot zou kunnen kantelen. Door deze veiligheidsbeperkingen rigide te houden, zorgt het systeem ervoor dat zelfs wanneer de robot zich aanpast aan een nieuwe instructie, hij nooit de natuurwetten schendt die hem voorkomen te vallen.

De rol van het taalmodel in dit proces is om te fungeren als een brug tussen de menselijke intentie en de uitvoering door de machine. Wanneer een operator een nieuwe instructie geeft, verandert het systeem niet simpelweg de bestemming van de robot; het stemt de gewichten en limieten die het gedrag van de robot beheersen subtiel bij. Als de operator bijvoorbeeld vraagt om een voorzichtiger aanpak, kan het systeem automatisch de snelheidslimieten verlagen en de straf voor elke plotselinge beweging verhogen, waardoor de robot langzamer en doelmatiger beweegt. Omgekeerd, als de instructie is om snel te bewegen, past het systeem de parameters aan om hogere snelheden toe te staan, terwijl de stabiliteit behouden blijft. Deze aanpassing vindt plaats binnen een veiligheidshek die voorkomt dat het taalmodel wijzigingen aanbrengt die te extreem of tegenstrijdig zijn, wat garandeert dat de robot veilig blijft ongeacht de ontvangen instructie. De onderzoekers toonden aan dat deze methode de robot in staat stelt om zijn vaardigheden te generaliseren naar onbekende obstakels, zoals trappen met verschillende hoogtes, zonder dat er nieuwe trainingsdata nodig zijn.

In hun experimenten observeerden de onderzoekers dat het systeem een consistente en stabiele houding behield in een verscheidenheid aan uitdagende scenario's. Bij het oversteken van een enkel groot blok of het navigeren door een reeks trappen, koos de robot autonoom de juiste configuratie voor zijn flippers, waarbij hij ze uitstrekte om op treden te grijpen of ze introk om obstakels te vermijden. Dit niveau van coördinatie, dat voorheen deskundige afstemming vereiste voor elk specifief milieu, werd dynamisch door het systeem bereikt. De gegevens toonden aan dat de adaptieve controller het schudden en schokken van het lichaam van de robot verminderde, wat leidde tot een vloeiendere beweging en minder belasting voor de componenten van de machine. Het vermogen om botsingsimpactken tijdens het afdalen te elimineren was bijzonder significant, aangezien dit suggereert dat de robot veilig steile, onstabiele hellingen kan navigeren zonder zichzelf of het omliggende puin te beschadigen.

Het succes van dit framework suggereert een nieuwe weg voor autonome robots in complexe, ongestructureerde omgevingen. Door de voorspellende kracht van geleerde modellen te combineren met de rigoureuze veiligheid van wiskundige planning en de flexibiliteit van taalgestuurde adaptatie, hebben de onderzoekers een systeem gecreëerd dat zowel robuust als responsief is. De bevindingen wijzen erop dat deze aanpak de hybride en discontinue aard van de interactie tussen robot en terrein kan aan kunnen, waarbij de grond in een instant van solide naar glad of van vlak naar steil kan veranderen. Hoewel het huidige werk in simulatie is uitgevoerd, suggereert de snelheid van de besturingslus en de helderheid van de resultaten dat het systeem veelbelovend is voor toekomstige inzet. De onderzoekers zijn van plan dit werk uit te breiden om vervormbare objecten te kunnen hanteren, energie-efficiëntie in de besluitvorming van de robot te integreren en het framework te valideren op aanvullende real-world platformen om de efficiëntie bij langdurige reddingsmissies verder te verbeteren. Uiteindelijk toont dit werk aan dat robots, met de juiste combinatie van leren en veiligheid, vertrouwd kunnen worden om de moeilijkste en gevaarlijkste plekken op aarde te navigeren.