Лестница, яма, поваленное дерево, склон — любой другой робот застрял бы намертво. Этот даже не сбавляет шаг
Четвероногие роботы хорошо бегают по ровной поверхности, но быстро теряют преимущество, когда ступени, ямы, камни и ветки сменяют друг друга без предупреждения. Инженеры разработали систему управления, которая позволяет роботу самостоятельно выбирать способ движения: переходить с шага на бег, перепрыгивать разрывы, взбираться на уступы и менять походку прямо во время движения.
Технологию создали специалисты Корейского института передовых технологий KAIST. Объединили несколько двигательных навыков в одном контроллере, чтобы роботу не приходилось запускать отдельную программу для каждого препятствия.
Четыре ноги дают роботам преимущество перед колёсными машинами на пересечённой местности. Они могут переставлять опоры по отдельности, подниматься по ступеням и проходить там, где колёса теряют сцепление. Однако реальная дорога редко состоит из препятствий одного типа. За лестницей может находиться узкий выступ, затем участок травы, яма или поваленное дерево.
Прежние системы обычно хорошо справлялись с одной заранее заданной задачей. Один алгоритм управлял быстрым бегом, другой отвечал за прыжок, третий помогал преодолеть ступень. Переключение между режимами занимало время и не всегда происходило достаточно плавно. Робот мог быстро бежать по прямой или перепрыгивать отдельное препятствие, но сочетание нескольких сложных участков снижало скорость и устойчивость.
Новая система получила название APT-RL - сокращение от Action Pretrained Transformer-based Reinforcement Learning. Сначала робот осваивает набор базовых движений, включая ходьбу, бег и прыжки. Затем единый контроллер учится комбинировать их и выбирать подходящий вариант с учётом рельефа и требуемой скорости.
Для подготовки двигательных данных исследователи не записывали движения людей или животных с помощью датчиков. Вместо захвата движений они использовали компьютерное моделирование. За восемь минут система сгенерировала 15,5 часа тренировочных последовательностей с разными типами походки.
Такой результат стал возможен благодаря математической модели динамики робота и оптимизации траекторий. Динамическая модель описывает, как масса корпуса, положение ног, работа приводов и внешние силы влияют на движение. Оптимизация траектории рассчитывает последовательность положений, которая позволяет выполнить манёвр с нужной скоростью и без потери равновесия.
Сначала симуляция формирует подходящие движения для разных ситуаций. Затем алгоритм использует их как основу для обучения. Подход требует меньше времени и оборудования, чем запись большого числа движений реального животного или человека с последующей адаптацией под механическую конструкцию робота.
После предварительного обучения инженеры применили обучение с подкреплением. Во время виртуальных испытаний робот многократно пробовал проходить препятствия и получал оценку за результат. Удачные действия приносили вознаграждение, а падения, потеря скорости и неэффективные движения снижали итоговую оценку. Постепенно контроллер научился выбирать действия, которые помогают быстрее и устойчивее проходить сложный участок.
Робот должен не только владеть несколькими походками, но и понимать, когда использовать каждую из них. Для восприятия окружающей среды инженеры установили камеру глубины и лидар. Камера глубины определяет расстояние до объектов и строит объёмную картину ближайшего пространства. Лидар посылает лазерные импульсы, измеряет время их возвращения и восстанавливает форму поверхности.
Данные с двух сенсоров позволяют оценить высоту ступени, глубину разрыва, наклон дороги и расположение препятствий. Контроллер также учитывает желаемую скорость, после чего выбирает способ движения и меняет его без остановки.
Систему проверили на четвероногом роботе KAIST HOUND. Испытания проходили на закрытой полосе препятствий, территории кампуса и лесных тропах. Маршруты включали лестницы, склоны, траву, поваленные деревья, выступающие корни и участки, покрытые листьями.
Робот проходил городские и природные участки, сохраняя равновесие и меняя походку в зависимости от поверхности. На неровной трассе с препятствиями максимальная мгновенная скорость достигла шести метров в секунду, или примерно 22 километров в час.
Контроллер самостоятельно переключался между рысью и галопом прыжкового типа. При рыси одновременно движутся диагональные пары ног. Во втором режиме передние и задние ноги работают попарно, а корпус на короткое время отрывается от земли. Такой способ помогает быстро преодолевать разрывы и отдельные препятствия.
Выбор зависел от скорости и формы участка. На относительно ровной поверхности робот мог использовать рысь, которая даёт устойчивость и равномерное движение. Для быстрого разгона или преодоления препятствия система переходила к более резкой прыжковой походке. Тот же контроллер управлял обычным шагом, бегом, прыжками и подъёмом на уступы.
Главное отличие разработки заключается в объединении двигательных навыков. Робот не выполняет заранее записанную последовательность для конкретной трассы. Сенсоры оценивают местность во время движения, а алгоритм подбирает подходящую походку и меняет её при появлении нового препятствия.
Подобная система может пригодиться там, где заранее подготовить маршрут невозможно. Четвероногие роботы смогут обследовать повреждённые здания, промышленные объекты и труднодоступные участки после аварий. В таких условиях машина должна проходить по обломкам, лестницам и неровным поверхностям, не полагаясь на один режим движения.
Разработчики также рассматривают применение в оборонных задачах и при инспекции инфраструктуры. Однако проведённые испытания пока не показывают, как система поведёт себя при сильном дожде, на скользком покрытии, среди движущихся объектов или после повреждения одного из приводов. Для практического использования потребуется проверить контроллер в более широком наборе условий и оценить его надёжность при длительной работе.