Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction
Dit artikel presenteert een taak-semantisch, scène-gegrond framework dat geretargette menselijke demonstraties combineert met trajectoptimalisatie en reinforcement learning om een Unitree G1 humanoïde robot in staat te stellen robuust complexe, hellingsadaptieve whole-body locomotie en constructietaken, zoals dakbedekking, uit te voeren, terwijl nauwkeurige ondersteunings- en werkvrijheidsbeperkingen worden gehandhaafd.
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
Stel je een robot voor die kan lopen, klimmen en werken net als een mens. Jarenlang hebben wetenschappers machines geleerd hoe ze moeten bewegen door video's van mensen die lopen of rennen aan hen te laten zien. De computer kopieert de bewegingen, waardoor de benen en armen van de robot de menselijke lichaamsbewegingen nabootsen. Dit werkt goed op vlakke vloeren, maar het loopt mis wanneer de grond schuin staat. Op een steil dak kan een simpele kopie van een menselijke beweging gevaarlijk zijn. Als de robot probeert een mens na te bootsen die voorover buigt om een spijker in te slaan, kan de computer de voeten van de robot in de lucht plaatsen of de handen recht door de dakpannen heen duwen. De robot moet niet alleen begrijpen hoe het lichaam beweegt, maar ook waar dat lichaam zich bevindt in relaling tot het specifieke oppervlak waarop het staat. Dit is de kernuitdaging voor het geven van het vermogen aan robots om te werken in de rommelige, ongelijkmatige wereld van de bouw.
Een team van onderzoekers aan de University of Florida pakte dit probleem aan door een humanoïde robot te leren hoe hij zich als een dakdekker moet gedragen. Ze richtten zich op een specifiek type robot, de Unitree G1, die op twee benen staat en armen heeft zoals een mens. Het doel was om verder te gaan dan simpel lopen en de machine te leren hoe hij een hellend dak kan bewandelen, kan bukken om te werken, en gereedschap zoals een nagelpistool of een hamer kan gebruiken zonder te vallen of tegen het oppervlak aan te botsen. De onderzoekers realiseerden zich dat het simpelweg kopiëren van menselijke bewegingen niet genoeg was. Een mens weet instinctief hoe hij zijn evenwicht op een helling moet aanpassen, maar een robot die een videoscript volgt, merkt misschien niet dat zijn voet boven een opening zweeft of dat zijn hand op het punt staat door het dak heen te slaan. Om dit op te lossen, creëerde het team een nieuwe methode die menselijke beweging combineert met een nauwkeurige digitale kaart van het dak.
Het proces begon met het opnemen van een menselijke werker die dakdekladen uitvoerde op een laboratoriumhelling. De persoon droeg een virtual reality-headset en trackers op de handen en enkels, waardoor de onderzoekers de timing en de flow van de bewegingen konden vastleggen. Deze gegevens werden vervolgens naar de robot overgebracht, wat een eerste concept van de beweging vormde. Echter, dit concept was gebrekkig. Omdat het lichaam van de robot anders is dan dat van een mens, plaatste de initiële kopie de voeten van de robot op de verkeerde plekken en de handen op de verkeerde hoogtes ten opzichte van het dak. Om dit te herstellen, gebruikten de onderzoekers een gedetailleerd 3D-model van het dakoppervlak. Ze pasten het referentiepad van de robot aan, zodat de voeten stevig op de helling stonden en de handen op een veilige, specifieke afstand van de pannen bleven. Zo zorgden ze er bijvoorbeeld voor dat de hand van de robot precies 25 centimeter van het dak verwijderd bleef bij het vasthouden van een nagelpistool, en 12 centimeter bij het gebruik van een hamer. Deze stap zorgde ervoor dat het plan van de robot fysiek mogelijk en veilig was voordat hij überhaupt probeerde te bewegen.
Zelfs met een perfect plan kan een robot nog steeds fouten maken wanneer hij daadwerkelijk beweegt. De echte wereld zit vol kleine uitschieters en vertragingen die een computersimulatie niet altijd voorspelt. Om dit aan te pakken, leerden de onderzoekers de robot om aandacht te besteden aan deze veiligheidsregels terwijl hij bewoog. Ze gebruikten een leermethode die de robot beloonde voor het behouden van de juiste afstand tussen de handen en het dak, en die de robot strafte als een deel van het lichaam het oppervlak zou raken terwijl dat niet de bedoeling was. Deze training vond eerst plaats in een computersimulatie, waar de robot duizenden keren oefende op verschillende dakhoeken, variërend van een flauwe helling van 9 graden tot een steile helling van 25 graden. De resultaten lieten zien dat de robot leerde zijn houding aan te passen aan de helling, waarbij hij zijn evenwicht bewaarde terwijl hij voorover boog om te werken.
Het team testte deze vaardigheden vervolgens op de echte robot in hun laboratorium. Ze zetten een echt dakplatform op en lieten de robot de taken proberen die hij in de simulatie had geleerd. De robot liep succesvol tegen de helling op, boog voorover om een nagelpistool vast te houden en zwaaide met een hamer. In elke test hield de robot zijn voeten op het dak en zijn handen op de juiste afstand, waarbij hij botsingen met het oppervlak voorkwam. De metingen toonden aan dat de bewegingen van de robot accuraat waren, waarbij het lichaam binnen enkele centimeters van het beoogde pad bleef. De onderzoekers vergeleken hun methode ook met andere benaderingen. Ze ontdekten dat robots die alleen getraind waren om een beloningssignaal te volgen zonder een menselijke bewegingsgids, in vreemde, gehurkte posities belandden die niet leken op echt dakdekladen. Ook robots die direct door een menselijke operator in realtime werden bestuurd, verloren hun evenwicht en vielen wanneer ze probeerden op de helling te stappen. De nieuwe methode, die menselijke beweging, een digitale kaart van het dak en veiligheidsbewust leren combineerde, was de enige die betrouwbaar werkte.
Dit onderzoek suggereert dat robots meer nodig hebben dan alleen het vermogen om te lopen als ze in de bouw willen werken. Ze moeten de geometrie van het oppervlak begrijpen waarop ze staan en een veilige relatie met dat oppervlak behouden terwijl ze werken. De onderzoekers ontdekten dat het simpelweg kopiëren van menselijke bewegingen niet genoeg is; de robot moet geworteld zijn in de fysieke realiteit van de werkplek. Door de robot te leren de vorm van het dak te respecteren en zijn gereedschap op de juiste afstand te houden, creëerde het team een fundament voor machines die op een dag kunnen helpen bij gevaarlijke taken zoals dakdekken. Hoewel de huidige tests in een gecontroleerd laboratorium met een veiligheidsgordel zijn uitgevoerd, laten de resultaten zien dat de basisvaardigheden voor het klimmen en werken op een helling binnen bereik liggen. De volgende stap zal zijn om te zien of deze robots de ruwe, ongelijkmatige en onvoorspelbare omstandigheden van een echte bouwplaats aankunnen.
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.