Робопес KAIST научился сам выбирать походку и разгоняться до 22 км/ч на бездорожье
Южнокорейские инженеры создали четвероногого робота, который самостоятельно оценивает окружающую среду и в реальном времени выбирает, идти, бежать или прыгать. Система позволяет быстро и устойчиво передвигаться по сложному природному рельефу.
Источник: Новости науки.
МОСКВА, 17 июля /Новости науки/. Инженеры из Корейского передового института науки и технологий (KAIST) разработали систему управления, которая позволяет четвероногому роботу самостоятельно выбирать наиболее подходящий способ передвижения в зависимости от окружающей обстановки. Благодаря новой технологии робот может без участия оператора переключаться между ходьбой, бегом, прыжками и преодолением препятствий. Результаты исследования опубликованы в журнале Science Robotics.
Такая технология делает четвероногих роботов значительно более пригодными для работы вне лабораторий. В отличие от колесной техники они способны передвигаться по лестницам, лесным тропам, камням, поваленным деревьям и другим сложным участкам местности. Однако до сих пор подобные роботы обычно использовали отдельные алгоритмы для разных типов движения, из-за чего переход между ними происходил недостаточно быстро и естественно.
«Мы ожидаем, что эта разработка станет одной из базовых технологий, которая расширит применение шагающих роботов с физическим искусственным интеллектом в условиях пересеченной местности — при ликвидации последствий стихийных бедствий, выполнении оборонных задач и инспекции промышленных объектов», — отметил руководитель исследования профессор Хэ Вон Пак.
Основой разработки стала новая система обучения APT-RL (Action Pretrained Transformer-based Reinforcement Learning). Сначала ученые с помощью компьютерного моделирования всего за восемь минут сгенерировали тренировочный набор данных, эквивалентный 15,5 часа различных вариантов движения. Затем робот освоил базовые навыки ходьбы, бега и прыжков, после чего с помощью обучения с подкреплением научился самостоятельно выбирать оптимальную походку для конкретной ситуации. Для оценки окружающей среды используются лидар и камера глубины, которые в режиме реального времени строят трехмерную картину местности.
Эффективность технологии исследователи проверили на собственном роботе KAIST HOUND. Испытания проходили не только на полигоне, но и в реальных условиях — на территории кампуса KAIST и на лесных тропах. Робот успешно преодолевал лестницы, склоны, участки с высокой травой, поваленные деревья, выступающие корни и дорожки, покрытые опавшей листвой. На наиболее сложных участках он автоматически переключался между различными типами движения и смог развить максимальную скорость 6 метров в секунду — около 22 км/ч, сохраняя устойчивость даже на пересеченной местности.
Исследование опубликовано в журнале Science Robotics под названием Agile perceptive multi-skill locomotion for quadrupedal robots in the wild. Авторы считают, что предложенный подход может стать основой для нового поколения автономных мобильных роботов, способных эффективно работать там, где традиционная техника оказывается бессильна.
Такая технология делает четвероногих роботов значительно более пригодными для работы вне лабораторий. В отличие от колесной техники они способны передвигаться по лестницам, лесным тропам, камням, поваленным деревьям и другим сложным участкам местности. Однако до сих пор подобные роботы обычно использовали отдельные алгоритмы для разных типов движения, из-за чего переход между ними происходил недостаточно быстро и естественно.
«Мы ожидаем, что эта разработка станет одной из базовых технологий, которая расширит применение шагающих роботов с физическим искусственным интеллектом в условиях пересеченной местности — при ликвидации последствий стихийных бедствий, выполнении оборонных задач и инспекции промышленных объектов», — отметил руководитель исследования профессор Хэ Вон Пак.
Основой разработки стала новая система обучения APT-RL (Action Pretrained Transformer-based Reinforcement Learning). Сначала ученые с помощью компьютерного моделирования всего за восемь минут сгенерировали тренировочный набор данных, эквивалентный 15,5 часа различных вариантов движения. Затем робот освоил базовые навыки ходьбы, бега и прыжков, после чего с помощью обучения с подкреплением научился самостоятельно выбирать оптимальную походку для конкретной ситуации. Для оценки окружающей среды используются лидар и камера глубины, которые в режиме реального времени строят трехмерную картину местности.
Эффективность технологии исследователи проверили на собственном роботе KAIST HOUND. Испытания проходили не только на полигоне, но и в реальных условиях — на территории кампуса KAIST и на лесных тропах. Робот успешно преодолевал лестницы, склоны, участки с высокой травой, поваленные деревья, выступающие корни и дорожки, покрытые опавшей листвой. На наиболее сложных участках он автоматически переключался между различными типами движения и смог развить максимальную скорость 6 метров в секунду — около 22 км/ч, сохраняя устойчивость даже на пересеченной местности.
Исследование опубликовано в журнале Science Robotics под названием Agile perceptive multi-skill locomotion for quadrupedal robots in the wild. Авторы считают, что предложенный подход может стать основой для нового поколения автономных мобильных роботов, способных эффективно работать там, где традиционная техника оказывается бессильна.
