Dual-Level Humanoid Whole-Body Controller
Dit artikel introduceert Jaeger, een controller voor het gehele lichaam op twee niveaus voor humanoïde robots die de controle over het boven- en onderlichaam ontkoppelt om dimensionaliteitsuitdagingen te overwinnen, waarbij gebruik wordt gemaakt van een hybride aanpak van supervised en reinforcement learning getraind op geretargette menselijke bewegingsdata om robuuste en veelzijdige prestaties te bereiken in zowel gesimuleerde als real-world omgevingen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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
Humanoïde robots zijn lang de droom van sciencefiction geweest: machines gebouwd om op ons te lijken en zoals wij te bewegen, in staat om onze trappen te beklimmen, onze deuren te openen en onze gereedschappen te hanteren. Om deze robots werkelijk nuttig te maken, moeten ze het meesterschap over 'whole-body control' (gehele lichaamscontrole) beheersen, een complexe evenwichtsoefening waarbij de machine tientallen gewrichten tegelijkertijd coördineert om rechtop te blijven staan terwijl het reikt, loopt of objecten draagt. De uitdaging ligt in het enorme aantal bewegende delen; de armen en benen van een robot hebben vaak tegenstrijdige behoeften, zoals armen die wild zwaaien om een kopje te pakken, terwijl de benen perfect stabiel moeten blijven om een val te voorkomen. Traditionele methoden hebben vaak moeite om een enkel computerprogramma te leren al deze bewegende onderdelen tegelijkertijd te beheren, wat leidt tot bewegingen die stijf, onstabiel of gevoelig voor falen zijn wanneer de robot met de onvoorspelbaarheid van de echte wereld wordt geconfronteerd.
Een team van onderzoekers aan de Beijing Academy of Artificial Intelligence heeft een nieuwe aanpak voor dit probleem ontwikkeld, waarbij ze een controlesysteem hebben gecreëerd dat ze JAEGER noemen. In plaats van één brein te dwingen om het hele robotlichaam te beheren, splitsen ze de taak op in twee verschillende rollen, vergelijkbaar met hoe een menselijk brein bijvoorbeeld het ritme van het lopen apart kan beheren terwijl het zich concentreert op een delicate taak met de handen. Dit duaal-niveau systeem wijst één controller toe aan het onderlichaam van de robot, verantwoordelijk voor balans en beweging over de grond, en een tweede, onafhankelijke controller aan het bovenlichaam, gewijd aan het reiken en manipuleren van objecten. Door deze taken te scheiden, ontdekten de onderzoekers dat ze de robot effectiever konden trainen, waardoor elk deel zich op zijn specifieke taak kon richten zonder de andere in de weg te zitten.
De onderzoekers testten dit systeem op twee verschillende humanoïde robots, de H1 en de H1-2, waarbij ze duizenden trainingssessies uitvoerden in een gesimuleerde omgeving voordat ze overgingen naar de echte wereld. Ze leerden de robots een grote verscheidenheid aan taken, van zijwaarts en voorwaarts lopen tot het uitvoeren van complexe dansachtige bewegingen die een precieze coördinatie tussen het bovenlichaam en de ledematen vereisen. In één demonstratie gebruikte de robot een joystick en een virtuele realiteit-interface om een pop te naderen en te pakken terwijl hij in beweging was, waarbij hij vertrouwde op de controller van het onderlichaam om de stabiliteit te behouden terwijl de controller van het bovenlichaam de armen stuurde. In een ander voorbeeld voerde de robot een reeks dansbewegingen uit, waarbij hij zijn gewicht verplaatste en zijn ledematen in een vloeiende sequentie bewoog, wat vereiste dat beide controllers in harmonie werkten.
Om dit werkend te krijgen, moesten het team een moeilijk dataprobleem oplossen: hoe menselijke bewegingen, opgenomen van echte mensen, te vertalen naar instructies die een robot kan volgen. Menselijke lichamen en robotlichamen zijn verschillend gebouwd; een mens heeft een andere hoeveelheid gewrichten en een andere bewegingsvrijheid dan een machine. De onderzoekers creëerden een snel, efficiënt systeem om menselijke houdingen op het skelet van de robot te mappen, zodat de bewegingen er natuurlijk uitzagen en fysiek mogelijk waren voor de machine. Vervolgens gebruikten ze een stapsgewijze trainingsmethode, waarbij ze de robot eerst leerden om zelfstandig te lopen en evenwicht te bewaren, en vervolgens geleidelijk de taken voor het bovenlichaam introduceerden. Deze aanpak voorkwam dat de robot verward of onstabiel werd tijdens het leerproces, waardoor het systeem kon convergeren naar een oplossing die zowel robuust als veelzijdig was.
De resultaten van hun experimenten toonden aan dat deze split-control strategie aanzienlijk beter werkte dan eerdere methoden. Wanneer ze de robots testten op hoe goed ze opdrachten konden volgen om met specifieke snelheden te bewegen of specifieke houdingen aan te nemen, maakte het nieuwe systeem minder fouten dan de leidende alternatieven. Bijvoorbeeld, wanneer de robot de opdracht kreeg om een doel snelheid te volgen tijdens het bewegen, maakte de robot die het nieuwe systeem gebruikte slechts fouten van ongeveer 0,15 meter per seconde in zijn voorwaartse snelheid, een opmerkelijke verbetering ten opzichte van andere methoden die moeite hadden om op koers te blijven. Op dezelfde manier, wanneer de robot werd gevraagd complexe houdingen na te bootsen, bewogen de gewrichten van de robot met veel grotere precisie, waarbij het verschil tussen de beoogde positie en de werkelijke positie werd verminderd tot een fractie van wat andere systemen bereikten.
De onderzoekers ontdekten ook dat het essentieel was om de twee controllers gescheiden te houden voor de stabiliteit van de robot. Wanneer ze probeerden een enkele controller te gebruiken om het hele lichaam te beheren, offerde de robot vaak balans op voor beweging, of andersom, wat leidde tot schokkerige of mislukte pogingen tot complexe taken. Door de systemen te ontkoppelen, kon het onderlichaam effectief blijven functioneren, zelfs als het bovenlichaam een probleem ondervond, en kon het bovenlichaam zich volledig richten op de taak van hand, zonder zich zorgen te maken over de mechanica van het lopen. Dit ontwerp maakte ook het trainingsproces sneller en betrouwbaarder, aangezien het systeem kon leren van menselijke bewegingsdata zonder te verzuipen in de tegenstrijdige eisen van een enkel, monolithisch controle-netwerk.
In de laatste tests vertoonden de robots een opmerkelijk vermogen om te herstellen van verstoringen. Wanneer de onderzoekers laterale krachten toepasten die gelijkstonden aan een duw van maximaal 210 newtons, waren de robots in meer dan 90 procent van de proeven in staat om hun evenwicht te behouden of te herstellen van de struikeling. Deze veerkracht suggereert dat het systeem niet alleen een theoretisch succes is, maar een praktische oplossing voor toepassingen in de echte wereld. De onderzoekers merkten op dat hun methode hoge frequentie-updates mogelijk maakt, wat betekent dat de robot zijn bewegingen meer dan duizend keer per seconde kan aanpassen, een snelheid die noodzakelijk is voor taken met een lage latentie, zoals verre chirurgie of delicate manipulatie.
Het werk beweert niet dat het alle problemen in de robotica heeft opgelost, maar het biedt een duidelijke weg vooruit om humanoïde robots krachtiger en betrouwbaarder te maken. Door de complexe taak van 'whole-body control' op te splitsen in beheersbare, gespecialiseerde onderdelen, hebben de onderzoekers aangetoond dat robots kunnen leren bewegen met een niveau van vloeiendheid en aanpassingsvermogen dat voorheen moeilijk te bereiken was. Het succes van JAEGER suggereert dat de toekomst van de humanoïde robotica wellicht niet ligt in het bouwen van een enkel, alwetend brein, maar in het creëren van systemen waarbij verschillende onderdelen van de machine samenwerken, elk het beste wat het kan doen, om een gemeenschappelijk doel te bereiken.
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.