Гуманоидные роботы, роботизированные системы с человекоподобной структурой тела, обладают потенциалом для решения различных задач реального мира, которые в настоящее время выполняются людьми. В последние годы многие исследователи в области робототехники и компьютерных наук пытаются расширить возможности этих роботов и улучшить их способность передвигаться в окружающей среде.

Исследовательская группа из Amazon Frontier AI & Robotics (FAR) и Калифорнийского университета в Беркли (UC Berkeley) недавно представила перцептивный человекоподобный паркур (PHP) — систему, которая может позволить человекоподобным роботам передвигаться с удивительной ловкостью, бегая, прыгая и перелезая через препятствия в городской или естественной среде. Предложенный ими подход, описанный в статье, опубликованной на сервере препринтов arXiv , предполагает обучение вычислительных моделей на записях людей, занимающихся паркуром — популярным городским видом спорта, позволяющим быстро перемещаться по окружающей среде, используя свою ловкость и физическую силу.

«Хотя недавние достижения в области человекоподобной локомоции позволили добиться стабильной ходьбы по различным типам местности, воспроизведение ловкости и адаптивности высокодинамичных движений человека остается нерешенной задачей», — написали Чжэнь У, Сяоюй Хуан и их коллеги в своей статье.

«В частности, ловкий паркур в сложных условиях требует не только низкой устойчивости, но и человекоподобной выразительности движений, построения навыков на большие расстояния и принятия решений на основе восприятия. Мы представляем PHP, модульную платформу, которая позволяет человекоподобным роботам автономно выполнять паркур на большие расстояния, основанный на зрении, по сложным полосам препятствий».

Подход к достижению человекоподобных движений у роботов

Ву, Хуан и их коллеги сначала собрали набор данных, содержащий видеозаписи выполнения различных динамических движений практикующими паркур людьми. Затем они разбили эти движения на более мелкие и многократно используемые фрагменты, которые можно было комбинировать для создания плавных серий движений.

«Наш первый подход использует сопоставление движений, сформулированное как поиск ближайшего соседа в пространстве признаков, для объединения перенацеленных атомарных навыков человека в кинематические траектории на долгосрочную перспективу», — написали Ву, Хуан и их коллеги. «Эта структура обеспечивает гибкое составление и плавный переход сложных цепочек навыков, сохраняя при этом элегантность и текучесть динамических движений человека».

Исследователи обучили контроллеры — программные компоненты, планирующие движения двигателей робота, — на динамических движениях в стиле паркура, полученных из набора данных. Для этого они использовали подход, известный как обучение с подкреплением (RL), который позволяет вычислительным моделям приобретать навыки методом проб и ошибок.

Контроллеры были обучены выполнению конкретных движений. Впоследствии они были сведены к единому контроллеру, который использовал изображения для планирования последовательности движений, которые роботы должны выполнять для эффективного преодоления препятствий в окружающей среде.

«Крайне важно, что сочетание восприятия и набора навыков обеспечивает автономное принятие решений с учетом контекста: используя только встроенные датчики глубины и дискретную команду скорости в 2D-пространстве, робот выбирает и выполняет действие, будь то перешагивание, взбирание, перепрыгивание или скатывание с препятствий различной геометрии и высоты», — написали авторы.

Расширение возможностей человекоподобных роботов

Исследователи уже оценили свою методику в серии реальных экспериментов, применив ее к человекоподобному роботу, разработанному китайской робототехнической компанией Unitree. Их первоначальные результаты оказались весьма многообещающими, поскольку робот смог передвигаться с удивительной ловкостью, эффективно обходя и преодолевая препятствия, совершая движения, напоминающие движения практикующих паркур.

«Мы подтверждаем работоспособность нашей системы с помощью обширных экспериментов в реальных условиях на человекоподобном роботе Unitree G1, демонстрируя высокодинамичные навыки паркура, такие как преодоление высоких препятствий высотой до 1,25 м (96% от высоты робота), а также преодоление множества препятствий на большом расстоянии с адаптацией к возмущениям препятствий в реальном времени», — написали авторы.

Разработанный Ву, Хуангом и их коллегами подход, основанный на обучении с подкреплением, вскоре может быть использован для воспроизведения других сложных движений и моделей поведения человека в человекоподобных роботах. Кроме того, его можно будет протестировать на более широком спектре человекоподобных роботов или в более реалистичных условиях.

В будущем разработанная командой технология может способствовать созданию роботов, способных передвигаться в окружающей среде с человекоподобной или даже сверхчеловеческой ловкостью, достигая желаемых мест назначения быстрее и эффективнее. Эти роботы смогут выполнять различные задачи, от реагирования на стихийные бедствия и поисково-спасательных операций до инспекции промышленных объектов и исследования опасных зон.