Благодаря усилиям трех докторов технических наук Джорджии, четвероногие роботы смогут преодолевать препятствия на своем пути.

Когда дело доходит до роботизированного передвижения и навигации , Наоки Ёкояма говорит, что большинство четвероногих роботов обучены вставать на ноги, если препятствие заставляет их спотыкаться. Работая над созданием робота- уборщика , Ёкояма и его сотрудники — Симар Карир и Джоан Труонг — решили научить своего робота преодолевать беспорядок, с которым он может столкнуться в доме.

«Основная мотивация проекта — получить низкоуровневый контроль над ногами робота, который также включает визуальный ввод», — сказал Ёкояма, доктор философии. студент Школы электротехники и вычислительной техники. «Мы представили контроллер, который можно было бы развернуть в помещении с большим количеством беспорядка, такого как обувь или игрушки на полу грязного дома. позаботимся о том, чтобы они не упали — мы хотели, чтобы наши использовали визуальный ввод , чтобы вообще не наступать на препятствие».

Для достижения своей цели исследователи применили новый подход к обучению, объединив высокоуровневую политику визуальной навигации с политикой визуальной локомоции.

В статье, предоставленной адъюнкт-профессором Interactive Computing Дхрувом Батрой и доцентом Сехуном Ха, Карир, Йокояма и Чыонг показывают, что их подход с двумя политиками успешно имитирует роботизированную навигацию по препятствиям.

Свой подход они назвали ViNL (визуальная навигация и передвижение), и до сих пор он направлял роботов через смоделированные новые загроможденные среды с вероятностью успеха 72,6%. Команда представит свой доклад ViNL: Visual Navigation and Locomotion Over Obstacles на Международной конференции IEEE по робототехнике и автоматизации , которая пройдет с 29 мая по 2 июня в Лондоне.

Обе политики не требуют моделирования — робот учится на собственном моделировании и не имитирует какие-либо ранее существовавшие модели поведения — и могут комбинироваться без какого-либо дополнительного совместного обучения.

«Эта работа уникальным образом сочетает в себе отдельные политики передвижения и навигации в нулевой манере», — сказал Карир, который вместе с Труонгом является доктором философии. студент Школы интерактивных вычислений. «Если мы придумаем улучшенную навигационную политику, мы можем просто взять ее, не делая дополнительной работы, и развернуть ее на нашем роботе. Это масштабируемый подход. мощный.»

Политика визуальной навигации обучает робота через мотивацию достижения цели. Это дает роботу задачу перемещаться из одного места в другое, избегая при этом препятствий. Робот получает балл в зависимости от того, насколько успешно он выполняет свою задачу. Если он спотыкается о препятствие, он наказывается.

«Мы дали ему среду, в которой было очень мало препятствий, а затем немного больше и немного больше», — сказал Карир. «Этот постепенный подход помогает его обучению. Когда вы просто бросаете его в среду с миллионом препятствий, он много терпит неудачу.»

Политика передвижения учит робота, как использовать свои конечности, чтобы переступать через объект, в том числе, как высоко он должен поднимать ноги.

Поскольку в реальном мире четвероногое сможет видеть только то, что видит его передняя камера, препятствия исчезнут из его поля зрения по мере приближения к ним. Команда объяснила это, включив память и пространственную осведомленность в свою сетевую архитектуру, чтобы точно научить робота, когда и где переступать через препятствие.

«Робот хорошо понимает, где вся его конечность находится относительно препятствий», — сказал Карир. «Когда вы видите, как он преодолевает препятствия, он не просто решает поставить ногу на места, где нет препятствий. Он запоминает, где все препятствия относительно его тела, и держит свои конечности в стороне, пока не пройдет их.»

И если препятствие слишком высокое, чтобы его можно было перешагнуть, робот также может обойти его.

«Мы увидели, что он очень хорошо ориентируется, и даже в тех случаях, когда он может свернуть не туда, он знает, что может вернуться туда, откуда пришел», — сказал Труонг.

Наконец, группа научила робота конкретно, через какие типы объектов он должен перешагивать в доме, например игрушки, и те, которые он должен обходить, например стул. Это также помогает роботу узнать, на какую высоту ему нужно будет поднимать ноги.

«Что важно для навигации, так это иметь возможность ориентироваться в реальных домах, поэтому мы обучаем нашу политику навигации с помощью фотореалистичных сканов квартир», — сказал Труонг. «Мы использовали сканирование более 1000 квартир для обучения и оценили робота в сценариях, которых он никогда раньше не видел. сможет сделать и это».

Исследователи согласны с тем, что их статья многогранна и имеет множество выводов, выходящих за рамки ее рассмотрения, но, тем не менее, важных. Их работа может привести к тому, что роботы будут открыто перемещаться на открытом воздухе, выборочно выбирая пути в зависимости от предпочтений пользователя, чтобы избежать грязной или каменистой местности.

«Обычно то, как вы добираетесь из пункта А в пункт Б, имеет гораздо меньшее значение», — сказал Труонг. «Вам просто нужно знать, что точка B действительна. При преодолении препятствий важны не только точки A и точки B, но и то, как вы доберетесь из точки A в точку B».