Speed and Morphology Conditioned Fourier Gait Synthesis for Bipedal Locomotion Learning

Lopen is een ritme dat we uitvoeren zonder erbij na te denken, maar de fysica erachter is een complexe puzzel van timing, balans en kracht. Om als een mens te kunnen lopen, moet een robot ditzelfde ritme beheersen. De uitdaging is dat het menselijk lopen geen eenvoudige, herhalende lus is zoals een tikkende klok; het is een vloeiende beweging die uitrekt en krimpt afhankelijk van hoe snel een persoon beweegt. Een langzame, slepende stap kan drie seconden duren om te voltooien, terwijl een stevige pas in minder dan één seconde klaar is. Deze variabiliteit maakt het moeilijk om een robot dit te leren, omdat de meeste computermodellen inputs van een vaste grootte verwachten. Als je een robot een langzame loop en een snelle loop in hetzelfde systeem probeert te voeren, raakt de timing verstoord en struikelt de robot. Onderzoekers zoeken al lang naar een manier om dit loopritme te beschrijven dat consistent blijft, ongeacht de snelheid, zodat een machine de essentie van een stap kan leren en deze vervolgens op elk tempo kan toepassen.

Een team onderzoekers aan de Bilkent Universiteit heeft een nieuwe methode ontwikkeld om dit probleem op te lossen, waarbij ze een systeem hebben gecreëerd dat mensachtige looppatronen voor robots genereert door naar de beweging te kijken door de lens van geluidsgolven in plaats van een reeks afbeeldingen. In plaats van een video van een stap op te nemen en te proberen deze uit te rekken of samen te drukken om aan de behoeften van een robot te voldoen, breken ze de beweging af in de fundamentele frequenties, vergelijkbaar met hoe een muzikant een muzikale noot analyseert om de toonhoogte en klank te begrijpen. Door de gewrichtsbewegingen van een menselijk been om te zetten in een set vaste getallen die deze frequenties vertegenwoordigen, hebben ze een universele taal voor het lopen gecreëerd. Deze taal werkt op dezelfde manier of de wandelaar nu langzaam of snel beweegt, omdat de duur van de stap apart wordt behandeld van de vorm van de beweging.

De onderzoekers begonnen met het verzamelen van gegevens van vijftig verschillende mensen die op verschillende snelheden liepen. Ze registreerden de hoeken van de heupen, knieën en enkels terwijl elke persoon liep, waarbij ze meer dan duizend proeven vastlegden. Om deze gegevens bruikbaar te maken voor een robot, filterden ze eerst de kleine, hoogfrequente trillingen die niet essentieel zijn voor de stap eruit, waardoor alleen de vloeiende, hoofdbewegingen overbleven. Vervolgens namen ze elke loopcyclus en resampleden deze, zodat elke stap, ongeacht hoe lang deze in werkelijkheid duurde, exact door drieëndertig punten werd gerepresenteerd. Dit proces, bekend als fase-normalisatie, zorgt ervoor dat een langzame stap en een snelle stap als dezelfde vorm worden behandeld, slechts gespeeld op verschillende snelheden. Ze transformeerden deze punten vervolgens naar een set coëfficiënten, wat in essentie de bouwstenen van de golf zijn. Het resultaat is een compacte code die de vorm van een stap beschrijft zonder gebonden te zijn aan een specifieke tijdsduur.

Vervolgens trainden ze een klein computernetwerk om deze coëfficiënten te voorspellen op basis van twee eenvoudige inputs: hoe snel de robot moet lopen en de lengte van zijn benen. Dit netwerk fungeert als een generator, die de gewenste snelheid en de fysieke afmetingen van de robot neemt en de exacte set getallen produceert die nodig zijn om een natuurlijk looppatroon te reconstrueren. Omdat de output is opgebouwd uit deze frequentiecomponenten, is de resulterende beweging wiskundig gegarandeerd een perfecte, herhalende cyclus. Er is geen risico dat de stappen van de robot in de loop van de tijd uit de pas lopen, een veelvoorkomend probleem bij andere methoden waarbij kleine fouten zich bij elke stap ophopen. De onderzoekers testten deze generator tegen verschillende andere benaderingen, waaronder het simpelweg afspelen van opgenomen video's van mensen die lopen, het gebruik van wiskundige curven om de gaten tussen opgenomen snelheden op te vullen, en modellen gebaseerd op gekoppelde oscillatoren. Hun methode op basis van frequentie bleek de meest nauwkeurige te zijn, waarbij looppatronen werden geproduceerd die aanzienlijk dichter bij de echte menselijke data lagen dan alle alternatieven.

Met een betrouwbare manier om referentie-looppatronen te genereren, ging het team over naar het aanleren van het lopen aan een robot. Ze bouwden een simulatie van een zeven-gewrichts, tweebenige robot en gebruikten een leermethode genaamd reinforcement learning om de robot te trainen. In dit proces wordt de robot beloond voor het vooruitkomen, het rechtop blijven staan en het matchen van de beweging van het referentiesignaal dat door hun nieuwe netwerk wordt gegenereerd. De robot kreeg niet alleen te horen hoe hij moest lopen; hij kreeg precies te zien hoe een menselijke stap eruitziet bij die specifieke snelheid en beenlengte, en hij moest ontdekken welke spierachtige krachten nodig waren om dit na te bootsen. De training vond plaats op vlakke grond en milde hellingen, maar de onderzoekers testten de vermogens van de robot op veel steilere heuvels en ruig, ongelijkmatig terrein dat hij nog nooit eerder had gezien.

De resultaten toonden aan dat de robot leerde te lopen met een opmerkelijke mate van robuustheid. Wanneer de robot de opdracht kreeg om te lopen met snelheden variërend van een langzame slepende stap tot een snelle jog, volgde de robot de gewenste snelheid met hoge precisie. Nog indrukwekkender was dat wanneer de robot op een helling van vijftien graden werd geplaatst — drie keer steiler dan waarvoor hij was getraind — de robot zijn evenwicht behield en in de meeste gevallen gewoon bleef doorlopen. In tegenstelling hiertoe faalden andere besturingsmethoden, die geen gebruik maakten van dit op frequentie gebaseerde referentiesignaal, bij het beklimmen van dergelijke steile hellingen of hadden moeite om een constant tempo aan te houden. De robot presteerde ook goed op oppervlakken met willekeurige bulten en ruis, waarbij hij deze navigeerde zonder te vallen. De sleutel tot dit succes was de combinatie van de generator op basis van frequentie, die een perfecte, menselijke mal bood, en het leeralgoritme, dat de robot in staat stelde zijn balans aan te passen aan de grond terwijl hij die mal volgde.

De studie benadrukt dat het behandelen van lopen als een spectrum van frequenties in plaats van een reeks poses een krachtig voordeel biedt voor de robotica. Door de vorm van de beweging los te koppelen van de tijd die nodig is om deze uit te voeren, kan het systeem natuurlijke loopgangen genereren voor elke snelheid en elke beenlengte zonder de basis opnieuw te hoeven leren. Hoewel het huidige werk in een computersimulatie werd uitgevoerd en gericht was op een robot die in een rechte lijn op een vlak vlak loopt, suggereren de bevindingen een duidelijke weg vooruit. De methode overbrugt succesvol de kloof tussen menselijke bewegingsgegevens en robotische besturing, door een stabiele basis te bieden om machines te leren lopen met de vloeiendheid en aanpassingsvermogen van een mens. De onderzoekers merken op dat toekomstig werk zal bestaan uit het testen van deze ideeën op complexere, driedimensionale humanoïden en uiteindelijk op echte hardware, waar fysieke factoren zoals sensoruis en motorvertraging nieuwe uitdagingen zullen vormen. Voor nu staat de studie als een demonstratie dat een wiskundige benadering, geïnspireerd door de analyse van geluid, robots een stap dichter bij het lopen als ons kan brengen.