对于一个复杂的自主机器人来说,要想在未知的建筑和不平坦的地形中找到自己的路,它需要知道把自己的手和脚放在哪里,以保持稳定和平衡。

来自密歇根大学的新算法加速了带有手臂状附属物的这些机器人的路径规划和肢体放置。在实验中,路径规划算法发现成功的路由到标准算法的时间三倍,同时需要更少的处理时间。

机器人并不总是能够平衡自身,并在脚下向前移动德米特里·贝伦森(Dmitry Berenson)是机器人研究所(Robotics Institute)电子与计算机工程副教授和核心教员

“当机器人需要跨越困难环境时,它需要用手来帮助它平衡,”Berenson教授告诉金宝搏官网在下面的问答。

然而,手掌接触增加了决策过程,并导致大型环境的不切实际的规划时间。

为了速度速度,密歇根大学发达的系统刚刚使用其复杂,基于学习的方法。

Berenson和他的团队的研究使机器人能够在计算成功前进之前确定地形困难。越耗码,以图书馆为中心的方法 - 通过训练示例的历史进行搜索的方法 - 仅在遍历困难时启动。

基于脚和手的接触可能性的数量来确定地形难度。具有许多接触点的位置具有“高遍历性”。

如果路径挑战,则抓住较少的点,机器人可以例如从图书馆拉动并在前一步的同时在一个或两只手中开始向墙上支撑。

在较简单的路径上使用一个离散搜索规划器,它设置了脚印序列和使它们成为可能的关节运动。

“容易遍历的部分分配一个离散搜索规划器,而其他部分分配一个基于库的方法,使现有的运动计划适合给定部分附近的环境,”他们最近报告的开篇摘要上说

测试计划

该团队转向机器学习,以不同的方式训练机器人的手和脚,以保持平衡和前进。

当放置在一个新的复杂环境中时,机器人使用学习的选项来找到它的方式。

最近的机器人博士博士和余志林博士博士。Nuro Inc.的毕业生和软件工程师,采用虚拟和现实世界的方法来测试其系统。首先,两者在瓦砾走廊中制作了人形机器人的几何模型。

在50项试验中,团队的方法达到了84%的时间,而基本路径规划师为26%。该系统花了超过两分钟才能创建一个计划,而基本路径规划师为多次三分钟。

研究人员还进行了物理测试,使用了一个有躯干和两只手臂的轮式机器人。

由于机器人的基座放置在一个陡峭的斜坡上,该系统在移动时必须用“手”在凹凸不平的表面支撑自己。机器人只需要0.1秒多一点的时间就能规划出一条路径,而基本路径规划器需要3.5秒多一点。

在未来的工作中,团队希望纳入动态稳定的运动,类似于人类和动物的自然运动。这种运动将使机器人不得不经常平衡。

在一个简短的问答金宝搏官网下面,Berenson教授将详细介绍路径规划算法,以及自主机器人在地形方面面临的最大挑战。

金宝搏官网:为什么路径规划通常要花这么长的时间?

德米特里•贝伦森教授:当机器人的自由度的数量低时,路径规划通常相当快(通常小于一秒)。例如,如果您在2D中有一个点,则您有两度自由度:x和y。

一般来说,一个类人机器人有28个关节,因此有28个自由度。把所有这些放在一起计划是非常缓慢的。之前与我们相关的工作是脚步规划,这意味着规划一系列的脚放置,然后弄清楚机器人如何移动它的关节来实现这些脚放置。然而,当机器人需要穿越困难的环境时,它就需要用手来帮助它保持平衡。

计划的问题两个都脚和手太高了;在处理多程度的自由方面,之前的规划算法将非常缓慢。

金宝搏官网:你们技术中加速这一过程的主要方面是什么?

德米特里•贝伦森教授:我们要解决这个问题是1)创建方法,计算出脚/手contact-rich部分环境(高traversability区域),这样我们就可以向那些偏见搜索,和2)的方法,把基于traversability目标的路径,以确保适当的规划方法应用于每个部分。

第二部分有效地将大困难规划问题分裂为几个较小,更容易的规划问题。

当虚拟机器人穿越崎岖的地形时,它会显示出不同的运动模式,有只用脚的,有只用一只手的,也有用两只手的。信贷林语辞。

金宝搏官网:机器人使用什么标准来确定地形难度?

德米特里•贝伦森教授为了确定地形的可穿越性,机器人学习了一个功能,即观察给定的环境区域,并估计有多少可行的手/脚位置。这个“可遍历性估计器”是在模拟中随机生成的环境中数千个脚和手的位置上训练的。当机器人遇到一个新的环境时,它可以使用这个可遍历性估计器来快速确定环境的哪些区域更容易通过。

金宝搏官网:当机器人决定切换到更简单的路径规划模式时,机器人的能力是否会降低?机器人在“简单模式”下如何操作?

德米特里•贝伦森教授:是的,在更简单的规划模式下,我们称之为“从头开始计划”,机器人使用典型的脚步计划方法。这种方法太慢,无法处理脚和手触点,所以我们只能在从头开始时使用脚接触。

金宝搏官网:如果你把机器人放在一个新的环境中,那么机器人的地形最具挑战性的方面是什么?

德米特里•贝伦森教授:最具挑战性的新领域将一块地形看起来一点也不像我们所看到的在我们的训练数据——例如,如果有一个树在走廊的中间,看起来一点也不像我们所看到的在我们的随机生成的仿真环境。

神经网络,就像我们用于遍历估计的那种,当您给出与培训的培训截然不同的输入时,不要表现良好,因此它们输出的遍历估计不会是可靠的。有方法可以估算神经网络输出的不确定性,以帮助缓解这个问题,但我们还没有将这些工作应用于这项工作。

金宝搏官网你下一步打算做什么?

德米特里•贝伦森教授:我们的实验室正在努力方法是关于机器人可以且无法做到他们所拥有的知识的方法.我们目前正在这项工作的基础上继续努力。