Adaptive-MHE : A Sampling-Based Adaptive MPC for Legged Loco-Manipulation via Moving Horizon Estimation

Robots die op vier poten lopen, zijn bijzonder bekwaam geworden in het navigeren door de rommelige, ongelijke wereld waarin wij leven. Ze kunnen over rotsen klimmen, door modder stappen en herstellen van uitschlippen met een gratie die ooit onmogelijk leek voor machines. Echter, een aanzienlijke hindernis blijft bestaan wanneer deze robots gevraagd wordt om meer te doen dan alleen lopen: het duwen, trekken of dragen van objecten terwijl ze bewegen. Deze dubbele taak, bekend als loco-manipulatie, vereist dat de robot op complexe manieren met zijn omgeving interacteert. De moeilijkheid ligt in het feit dat de fysieke wereld vol onbekenden is. Een robot weet van nature niet hoe zwaar een doos is, hoe ruw de vloer is, of hoeveel wrijving er tussen zijn poten en de grond bestaat. Als een robot ervan uitgaat dat een doos licht is terwijl deze in werkelijkheid zwaar is, of ervan uitgaat dat de grond glad is terwijl deze stroef is, zullen zijn bewegingen falen. Hij kan uitglijden, het object laten vallen of instabiel worden. Om in deze onzekere omstandigheden te slagen, kan een robot niet vertrouwen op een vooraf geprogrammeerde set regels gebaseerd op perfecte kennis; hij moet in staat zijn om tijdens het bewegen te leren over de fysieke eigenschappen van zijn omgeving.

Onderzoekers proberen dit al lang op te lossen door robots te leren deze eigenschappen te raden voordat ze aan een taak beginnen, of door complexe wiskundige modellen te gebruiken die van de robot vereisen dat hij de exacte fysica van elke interactie berekent. Deze traditionele methoden hebben vaak moeite omdat de echte wereld te chaotisch is voor perfecte berekeningen, vooral wanneer de poten van een robot voortdurend contact maken en weer verbreken met de grond. Een nieuwe aanpak, ontwikkeld door een team van ingenieurs, biedt een andere oplossing. In plaats van te proberen vanaf het begin het perfecte antwoord te berekenen, test de robot continu veel verschillende mogelijkheden in zijn eigen geest, vergelijkt deze met wat hij daadwerkelijk voelt, en werkt zijn begrip in realtime bij. Deze methode stelt de robot in staat om direct aan te passen wanneer het gewicht van een object verandert of wanneer hij van een gladde vloer naar een ruwe vloer stapt.

De kern van dit nieuwe systeem is een framework dat de onderzoekers Adaptive-MHE noemen. Om te begrijpen hoe het werkt, stel je een robot voor die een zware doos over een vloer duwt. Terwijl de robot beweegt, registreert hij elk detail van de interactie: hoe snel hij beweegt, hoe zijn gewrichten buigen en hoe de doos reageert. Het systeem voert vervolgens een snelle, parallelle simulatie op de achtergrond uit. Het genereert duizenden verschillende "wat als"-scenario's. In één scenario kan de doos erg licht zijn; in een ander kan deze extreem zwaar zijn; in een derde kan de vloer bedekt zijn met ijs. Het systeem simuleert hoe de robot zou bewegen onder elk van deze verschillende aannames. Het vergelijkt deze gesimuleerde bewegingen vervolgens met de werkelijke gegevens die de robot uit de echte wereld verzamelt. Het scenario dat het meest overeenkomt met de gegevens uit de echte wereld wordt geselecteerd als de meest waarschijnlijke waarheid. Dit proces is geen eenmalige berekening; het gebeurt continu in een bewegend venster (sliding window), waarbij de schatting van de robot over de wereld voortdurend wordt verfijnd naarmate er nieuwe informatie binnenkomt.

Dit schattingsproces is nauw gekoppeld aan het controlesysteem van de robot. Zodra het systeem een beter idee heeft van het gewicht van de doos of de wrijving van de vloer, gebruikt het die informatie onmiddellijk om de bewegingen van de robot aan te passen. Het controlesysteem, dat beslist hoe de poten van de robot moeten bewegen, gebruikt deze bijgewerkte schattingen om de volgende stappen te plannen. Als de robot beseft dat de doos zwaarder is dan hij dacht, zal hij automatisch meer kracht uitoefenen. Als hij detecteert dat de vloer gladder is, zal hij zijn houding aanpassen om het evenwicht te bewaren. De hele lus van waarnemen, schatten en handelen vindt zo snel plaats dat de robot lijkt te reageren op instinct bij veranderingen in zijn omgeving. De onderzoekers testten dit systeem op een viervoetige robot genaamd de Unitree Go1, wat een commercieel beschikbare vierpotige robot is. Ze plaatsten hem in een reeks uitdagende taken die ontworpen waren om zijn vermogen te testen om met onzekerheid om te gaan.

In een reeks experimenten kreeg de robot de taak om een doos naar een specifiek doel te duwen. De onderzoekers introduceerden plotselinge veranderingen in de omgeving om te zien hoe de robot zou reageren. In één scenario werd de massa van de doos met één kilogram verhoogd terwijl de robot deze al aan het duwen was. In een ander scenario moest de robot de doos over twee verschillende soorten vloeren duwen: één met een lage wrijvingscoëfficiënt van 0,4 en één met een hoge wrijvingscoëfficiënt van 0,8. De robot moest deze verandering in de textuur van de vloer detecteren en zijn duwkracht dienovereenvolgens aanpassen zonder te stoppen of de controle te verliezen. Het systeem testte ook het vermogen van de robot om een doos te duwen met slechts één poot, terwijl de andere drie poten stationair bleven, een taak die een precieze balans en krachtverdeling vereist.

De resultaten toonden aan dat het Adaptive-MHE-systeem aanzienlijk beter presteerde dan robots die vertrouwden op vaste, vooraf ingestelde aannames over de omgeving. Wanneer de robot een vaste overtuiging kreeg over het gewicht van de doos of de wrijving van de vloer, slaagde hij er in de meerderheid van de gevallen niet in de taak te voltooien, waarbij hij vaak uitgleed of het doel miste. In contrast hiermee slaagde de adaptieve robot in bijna 87 procent van de gevallen, ook al begon hij zonder kennis van de ware fysieke eigenschappen. Hoewel hij niet zo perfect presteerde als een hypothetische robot die het exacte gewicht en de exacte wrijving vanaf het begin kende, kwam hij er opmerkelijk dichtbij. De adaptieve robot was in staat om de fout bij het bereiken van het doel te verminderen tot een fractie van de afstand van de niet-adaptieve robot. Hij voltooide de taken ook sneller en met minder verspilde energie.

De onderzoekers ontdekten dat het systeem het beste werkte wanneer het zijn schattingen frequent bijwerkte, maar niet zo frequent dat het instabiel werd. Ze testten verschillende instellingen voor hoe vaak de robot de omgeving opnieuw moest evalueren en hoeveel verschillende scenario's hij tegelijkertijd moest simuleren. Ze ontdekten dat er een balans nodig was: het bijwerken van de schattingen elke paar seconden stelde de robot in staat om veranderingen effectief te volgen zonder overweldigd te worden door ruis in de gegevens. Het systeem was in staat om de massa van het object en de wrijving van het terrein met hoge nauwkeurigheid te identificeren, zelfs wanneer deze eigenschappen abrupt veranderden tijdens de taak. Deze capaciteit suggereert dat robots kunnen worden ontworpen om effectief te opereren in omgevingen waar de fysieke eigenschappen onbekend zijn of voortdurend verschuiven, zonder dat ze voor elke nieuwe situatie opnieuw getraind hoeven te worden.

Dit werk vormt een belangrijke stap voorwaarts in het robuuster en veelzijdiger maken van robots. Door een methode voor het schatten van fysieke parameters te combineren met een controller die daar in realtime op kan reageren, hebben de onderzoekers een systeem gecreëerd dat de onvoorspelbaarheid van de echte wereld kan aan kunnen. De aanpak vereist geen speciale sensoren om gewicht of wrijving direct te meten; in plaats daarvan afleidt het deze eigenschappen uit de eigen bewegingen en interacties van de robot. Dit maakt de technologie praktischer voor inzet in diverse omgevingen, van magazijnen tot rampgebieden, waar de omstandigheden zelden vooraf bekend zijn. Het succes van het Adaptive-MHE-framework toont aan dat robots kunnen leren zich on-the-fly aan te passen aan hun fysieke omgeving, waardoor de kloof tussen de gecontroleerde omgeving van een simulatie en de chaotische realiteit van de wereld buiten wordt overbrugd.