الگوریتم های جدید به روبات های چهار پا کمک می کنند تا در طبیعت اجرا شوند

تیمی به سرپرستی دانشگاه کالیفرنیا سن دیگو ، سیستم جدیدی از الگوریتم ها را ایجاد کرده است که روبات های چهار پا را قادر می سازد ضمن جلوگیری از هر دو موانع ایستا و متحرک ، راهپیمایی کنند و در زمین های چالش برانگیز حرکت کنند.

در آزمایشات ، این سیستم یک روبات را برای مانور خودمختار و سریع در سطح شنی ، شن ، چمن و تپه های خاکی پر پیچ و خم پوشانده شده با شاخه ها و برگهای افتاده و بدون دست زدن به قطب ها ، درختان ، درختچه ها ، تخته سنگ ها ، نیمکت ها ، نیمکت ها هدایت می کند. این ربات همچنین بدون داشتن جعبه ، میز یا صندلی ، در یک فضای اداری شلوغ حرکت کرد.

این کار محققان را یک قدم به ساخت روبات هایی نزدیک می کند که می توانند مأموریت های جستجو و نجات را انجام دهند یا اطلاعاتی را در مکانهایی که برای انسان بسیار خطرناک یا دشوار هستند جمع آوری کنند.

این تیم کار خود را در کنفرانس بین المللی 2022 روبات ها و سیستم های هوشمند (IROS) ارائه می دهد که از 23 تا 27 اکتبر در کیوتو ، ژاپن برگزار می شود.

این سیستم به دلیل روشی که احساس ربات بینایی را با یک روش سنجش دیگر به نام Proprioception ترکیب می کند ، یک ربات پا را فراهم می کند ، که شامل حس حرکت ، جهت ، سرعت ، مکان و لمس ربات است - در این حالت ، احساس از احساسزیر پاهای خود زمین.

در حال حاضر ، بیشترین رویکردهای برای آموزش روبات های پا برای پیاده روی و پیمایش متکی بر روی proprioception یا بینایی ، اما هر دو به طور همزمان نیست ، گفت: شیائولونگ وانگ ، استاد ارشد مهندسی برق و کامپیوتر در دانشکده مهندسی UC San Diego Jacobsبشر

"در یک مورد ، این مانند آموزش یک ربات کور است که فقط با لمس کردن و احساس زمین قدم می زند. و از طرف دیگر ، این روبات حرکات پا خود را بر اساس بینایی تنها برنامه ریزی می کند. این در حال یادگیری دو چیز همزمان نیست. ""در کار ما ، ما دارایی را با دید رایانه ای ترکیب می کنیم تا یک ربات پا را قادر کنیم تا به طور کارآمد و یکدست حرکت کند-در حالی که از موانع جلوگیری می کند-در انواع محیط های چالش برانگیز ، نه فقط به خوبی تعریف شده."

سیستمی که وانگ و تیمش توسعه داده اند از مجموعه خاصی از الگوریتم ها برای فیوز داده ها از تصاویر زمان واقعی گرفته شده توسط یک دوربین عمق روی سر ربات با داده های سنسورهای روی پاهای ربات استفاده می کنند. این یک کار ساده نبود. وانگ توضیح داد: "مشکل این است که در حین کار در دنیای واقعی ، گاهی اوقات تأخیر جزئی در دریافت تصاویر از دوربین وجود دارد."

راه حل این تیم شبیه سازی این عدم تطابق با تصادفی کردن دو مجموعه ورودی بود-تکنیکی که محققان آن را تصادفی تأخیر چند حالته می نامند. از ورودی های ذوب شده و تصادفی برای آموزش یک سیاست یادگیری تقویت به روشی پایان به پایان استفاده شد. این رویکرد به ربات کمک کرد تا در حین ناوبری به سرعت تصمیم گیری کند و پیش از زمان تغییر در محیط خود پیش بینی کند ، بنابراین می تواند موانع را سریعتر در انواع مختلف زمین ها بدون کمک یک اپراتور انسانی حرکت و گول بزند.

با حرکت به جلو ، وانگ و تیمش در تلاشند تا روبات های پا را همه کاره تر کنند تا بتوانند زمین های چالش برانگیزتری را فتح کنند."در حال حاضر ، ما می توانیم یک ربات را آموزش دهیم تا حرکات ساده ای مانند پیاده روی ، دویدن و جلوگیری از موانع را انجام دهد. اهداف بعدی ما این است که یک روبات را قادر به بالا و پایین پله ها ، راه رفتن روی سنگ ها ، تغییر جهت ها و پرش از موانع کنیم. "

این تیم کد خود را بصورت آنلاین منتشر کرده است: https://github. com/mehooz/vision4leg.

عنوان مقاله: "تحرک چهارگانه با هدایت دید در طبیعت با تصادفی با تأخیر چند منظوره."نویسندگان مشترک شامل Chieko Sarah Imai*، Yuchen Zhang*، Marcin Kierebinski ، Ruihan Yang و Yuzhe Qin ، UC San Diego ؛و Minghao Zhang*، دانشگاه Tsinghua ، چین.

*این نویسندگان به همان اندازه کمک کردند.