Rendered-Egocentric Vision for Short-Horizon Body-Risk Prediction in Quadruped Command Selection

Stel je een viervoetige robot voor die door een bos van oneffen rotsen en verborgen afgronden loopt. Voordat de robot ook maar één stap zet, moet hij beslissen waar hij zijn poten plaatst. Als hij een slechte keuze maakt, kan de robot struikelen, vallen of vast komen te zitten. Jarenlang hebben ingenieurs geprobeerd deze machines te leren de wereld te zien en hun hele reis in één keer te plannen, waarbij visie, navigatie en beweging worden gecombineerd in één gigantisch brein. Maar er is een eenvoudiger, directer probleem dat optreedt vlak voordat een robot beweegt: kan hij naar de grond direct voor zich kijken en inschatten of een specifiek commando, zoals "vooruit lopen" of "naar links draaien", in de komende paar seconden tot een val zal leiden? Deze vraag bevindt zich op het snijvlak van computer vision en robotica, en vraagt of een machine zijn eigen veiligheid kan voorspellen op basis van een snelle blik op het terrein en een voorgestelde richting, zonder een volledige kaart van de wereld of een complex plan voor de toekomst nodig te hebben.

Een onderzoeker aan Columbia University, Yuxiang Tian, pakte deze specifieke uitdaging aan door een systeem te bouwen dat fungeert als een veiligheidsfilter voor een viervoetige robot. De studie richt zich op een robot genaamd de Unitree Go2, die wordt aangestuurd door een standaardprogramma dat de fysieke mechanica van het lopen afhandelt. Het nieuwe systeem vervangt dit loopprogramma niet; in plaats daarvan zit het erboven als een bewaker. Voordat de robot een commando uitvoert, bekijkt deze veiligheidslaag een gesimuleerd beeld vanuit de op de kop gemonteerde camera van de robot en vraagt: als we dit specifieke commando sturen, zal de robot dan waarschijnlijk de grond raken of zijn evenwicht verliezen op de korte termijn? Het systeem test tien verschillende mogelijke bewegingen, variërend van recht vooruit lopen tot scherp draaien of zijwaarts bewegen, en probeert de beweging te kiezen die de robot het veiligst houdt.

De onderzoekers trainden deze veiligheidslaag met behulp van een computersimulatie van de beweging van de robot door diverse terreinen. Ze leerden het systeem patronen in de visuele gegevens te herkennen die correleren met gevaar. Als de camera bijvoorbeeld een steile afgrond of een stapel obstakels direct voor zich ziet, leert het systeem een "vooruit lopen"-commando als riskant te markeren. Cruciaal is dat het systeem werd ontworpen om te werken zonder de exacte lay-out van de grond te kennen of een kaart van het gebied te hebben. Het vertrouwt alleen op wat de camera op dit moment ziet en de lijst met mogelijke bewegingen. De onderzoekers ontdekten dat deze aanpak goed werkt voor bepaalde soorten gevaren. Het systeem werd erg goed in het opsporen van obstakels die een botsing zouden veroorzaken, zoals een muur of een geblokkeerd pad, omdat deze duidelijk zichtbaar zijn in het camerabeeld. Het toonde ook enige bekwaamheid in het voorspellen van vallen veroorzaakt door ruw of glad terrein, aangezien de textuur en de helling van het terrein visuele aanwijzingen boden.

Echter, de studie onthulde ook de beperkingen van wat een camera kan voorspellen. Het systeem had moeite met het voorzien van problemen die pas duidelijk worden nadat de robot al in beweging is gekomen. Als de robot bijvoorbeeld uitglijdt op een stuk ijs of vast komt te zitten omdat de poten geen stevige grip kunnen vinden, kan de camera dit pas zien gebeuren wanneer het te laat is. Dit zijn fouten in contact en balans die plaatsvinden in het fractie van een seconde nadat een commando is verzonden. Om dit op te lossen, voegden de onderzoekers een tweede laag van bescherming toe: een real-time monitor die het lichaam van de robot observeert terwijl deze beweegt. Als de robot zijn voortgang verliest of zijn buik komt te dicht bij de grond, onderbreekt deze monitor het commando en activeert een herstelgedrag. Deze combinatie van een visuele "vooruitblik" en een fysieke "waakzame" monitor creëert een robuuster vangnet dan beide afzonderlijk zouden kunnen bieden.

Toen de onderzoekers dit systeem in de simulatie testten, waren de resultaten duidelijk. De nieuwe veiligheidslaag hielp de robot om betere commando's te kiezen dan hij uit zichzelf zou doen. Vergeleken met een robot die simpelweg vooruit liep zonder na te denken, verminderde het nieuwe systeem de incidentie van vallen en contact tussen het lichaam en de grond aanzienlijk. In de tests daalde het foutpercentage van ongeveer 52 procent naar 40 procent, en het aantal keren dat het lichaam van de robot de grond raakte, daalde van 43 procent naar 24 procent. De robot slaagde er ook in om ongeveer 70 procent van zijn voorwaartse snelheid te behouden, wat betekent dat hij niet simpelweg stopte met bewegen om veilig te blijven; hij vond een manier om vooruit te bewegen terwijl hij de ergste gevaren vermeed. Het systeem was bijzonder effectief in het kiezen van een veiligere richting wanneer het voor de hand liggende pad geblokkeerd was, waarbij het vaak een zijpad koos dat minder risicovol leek dan de route recht vooruit.

Ondanks deze verbeteringen maakt de studie duidelijk dat dit geen volledige oplossing is voor het navigeren door complexe, onbekende werelden. De onderzoekers ontdekten dat hoewel het systeem een veiligere lokale richting kon identificeren, de onderliggende loopcontroller van de robot soms niet de fysieke capaciteit had om die richting over een langere afstand perfect uit te voeren. Als de robot scherp moest draaien of zijwaarts moest bewegen om een gevaar te vermijden, had het standaard loopprogramma soms moeite om die beweging soepel uit te voeren. Dit betekent dat hoewel de veiligheidslaag de directe risico's succesvol verminderde, het niet kon garanderen dat de robot een lange reis door moeilijk terrein succesvol zou voltooien. Het systeem is het best te begrijpen als een lokale beslisser die de robot helpt de meest voorzichtige stappen te zetten in de komende paar stappen, in plaats van een meester-navigator die de robot door een heel bos kan leiden.

Het werk concludeert dat het voorspellen van veiligheid vanuit een camerabeeld een krachtig hulpmiddel is, maar dat het een grens heeft. Het werkt het beste wanneer het gevaar zichtbaar is, zoals een gat in de grond of een muur in het pad. Het is minder effectief wanneer het gevaar afhankelijk is van hoe de poten van de robot met de grond interageren, wat pas gevoeld kan worden nadat de stap is gezet. De onderzoekers suggereren dat de toekomst van veilige robotbeweging ligt in het combineren van deze twee benaderingen: een visueel systeem dat risico's voorspelt vóór de beweging, gekoppeld aan een fysiek systeem dat direct reageert wanneer er misgaat. Deze studie biedt een solide simulatie-gebaseerd bewijs dat een dergelijke lokale veiligheidslaag een viervoetige robot aanzienlijk veiliger kan maken op de korte termijn, zelfs als de langetermijnuitdaging van het navigeren door complexe werelden onopgelost blijft.