Для успешного развертывания в больших масштабах и в широком диапазоне реальных условий роботы должны иметь возможность быстро корректировать свои движения, взаимодействуя с людьми и их окружением, реагируя на изменения в своей среде. Однако многие роботы, разработанные до сих пор, работают значительно лучше в контролируемых условиях, в то время как они часто испытывают трудности в неструктурированных условиях.

Исследователи из Университета Гранады в Испании и Федеральной политехнической школы Лозанны в Швейцарии недавно разработали новое решение для управления, вдохновленное нейромеханикой, в частности интегративным действием центральной нервной системы и биомеханикой человеческого тела.

Было обнаружено, что предложенная ими система управления, описанная в статье, опубликованной в журнале Science Robotics, модулирует жесткость роботов, повышая точность их движений и усиливая их приспособляемость к изменениям окружающей среды.

«Наша недавняя статья стала результатом захватывающего сотрудничества на заключительном этапе флагманского проекта ЕС — проекта «Человеческий мозг» (HBP)», — рассказал Нисето Р. Луке, старший автор статьи.

«У нас была возможность тесно сотрудничать с лабораторией биоробототехники в EPFL (Швейцария) под руководством профессора Ауке Эйспеерта, чья передовая работа в области моделирования мышц повлияла на наши исследования. Вдохновленные тем, как человеческие мышцы работают парами (так называемые отношения агониста и антагониста), мы сосредоточились на том, как совместное сокращение мышц динамически регулирует жесткость».

Основная цель недавнего исследования Люка и его коллег заключалась в разработке нового решения по управлению, вдохновленного биомеханикой, которое преодолевает ограничения традиционных парадигм управления импедансом/адмиттансом, лежащих в основе движений промышленных роботов. Разработанное ими решение черпает вдохновение из естественных механизмов, посредством которых люди учатся адаптировать свои движения к изменениям в сложных и непредсказуемых условиях.

«Традиционные подходы к управлению часто зависят от очень сложных математических формул для управления обменом силами между человеком и роботом (или между роботами)», — сказал Люк. «Напротив, наша стратегия имитирует совместное сокращение человеческих мышц для непосредственной модуляции жесткости, устраняя необходимость в дорогостоящих аппаратных решениях для определения обменной силы и устраняя необходимость в сложных динамических формулах.

«Этот биотехнологический метод направлен на то, чтобы позволить коллаборативным роботам (или коботам) демонстрировать широкий спектр адаптивного двигательного поведения, тем самым повышая их производительность и надежность при выполнении различных задач».

Разработанное этими исследователями решение для управления роботом, вдохновленное нейромеханикой, имеет два ключевых компонента, которые имитируют системы, позволяющие людям контролировать и адаптировать свои движения. Первый из этих компонентов — это мышечная модель, а второй — так называемая мозжечковая сеть.

Как следует из названия, модель мышц разработана для воспроизведения механизмов, лежащих в основе движения человеческих мышц. Эта модель, в частности, отражает тот факт, что человеческие мышцы работают парами, используя процесс, известный как «совместное сокращение».

«Проще говоря, когда противоположные мышцы сокращаются вместе, они регулируют жесткость сустава», — объяснил Люк. «Это позволяет роботу изменять жесткость или гибкость своих движений в соответствии с поставленной задачей — примерно так же, как вы можете напрягать мышцы, когда вам нужна точность, или расслаблять их, чтобы двигаться более свободно. Эта способность регулировать жесткость имеет решающее значение для выполнения деликатных задач и поглощения неожиданных сил».

Вторым компонентом решения команды по управлению, дополняющим мышечную модель, является так называемая мозжечковая сеть. Это система, разработанная для имитации функции человеческого мозжечка, области мозга, отвечающей за тонкую настройку движений людей и их адаптацию на основе обратной связи, исходящей как от тела, так и от окружающей среды.

«Включая эту адаптивную сеть, робот может учиться на своем опыте и корректировать свои действия — и, что еще важнее, свое совместное сокращение и жесткость — при столкновении с новыми задачами или непредсказуемыми ситуациями», — сказал Люк. «Это означает, что он не полагается исключительно на предварительно запрограммированные инструкции или сложные математические уравнения для работы. В целом, наше решение обеспечивает кобота формой «мышечной памяти» и способностью учиться и адаптироваться так же, как человек».

Люк и его коллеги оценили свое контрольное решение в серии тестов, и их результаты оказались весьма многообещающими. В частности, они показали, что механизм совместного сокращения модулировал жесткость роботов и точность их работы, повышая их устойчивость к внешним возмущениям.

«Мы обнаружили, что, подобно человеческому обучению, обучение в условиях низкого совместного сокращения приводит к меньшей жесткости», — объяснил Люк. «Хотя обучение в этих условиях более сложно для мозжечка, оно обеспечивает эффективную работу в условиях более высокого совместного сокращения без дополнительной тренировки. Это указывает на явное предпочтение двигательного обучения в условиях низкого совместного сокращения, что сокращает время обучения и помогает предотвратить износ».

Хотя обучение при низком совместном сокращении является более сложным для мозжечка, оно обеспечивает эффективную работу при высоком совместном сокращении без необходимости специальной подготовки. Таким образом, решение команды позволяет их контроллеру адаптироваться к низкому совместному сокращению, впоследствии переключаясь на поведение с высоким сокращёнием, если требуется более высокая жёсткость.

«Тот факт, что нам не нужно тренировать мозжечок для всех возможных сценариев совместного сокращения, значительно сокращает время, необходимое для обучения, тем самым сводя к минимуму его износ», — говорят Луке и Игнасио Абадиа.

«Мы также обеспечиваем переменную жесткость на основе программного обеспечения без необходимости добавления специального оборудования к роботу, то есть нам не требуются датчики контактного усилия или датчики крутящего момента, что упрощает нашу нейромеханическую реализацию для различных роботов. Эта возможность имеет решающее значение для роботов, которым необходимо работать в непредсказуемых условиях и безопасно взаимодействовать с людьми».

Недавняя работа Люка и его коллег открывает новые возможности для разработки универсальных и надежных роботизированных систем для широкого спектра применений, от промышленных роботов до роботов здравоохранения и обслуживания. В своих следующих работах исследователи планируют усовершенствовать свой контроллер, обновив как его программное обеспечение, так и механические компоненты.

«В настоящее время мы улучшаем обучаемость нашего мозжечкового контроллера, увеличивая его адаптивность и универсальность», — сказал Люк. «Чтобы добиться этого, мы принимаем более традиционные методы ИИ, основанные на аналоговых сигналах в обычных искусственных нейронных сетях, и интегрируем их с импульсными нейронными сетями, которые используют сигналы на основе событий».

Интеграция традиционных методов ИИ может позволить контроллеру команды в полной мере использовать вычислительную мощность самых передовых графических процессоров на рынке, тем самым повышая его производительность в реальном времени. Чтобы продвинуть применение своего решения по управлению, исследователи также работают над новой роботизированной системой, которая интегрирует механический механизм совместного сокращения.

«Текущие коботы, которые обычно имеют один двигатель на конце привода, требуют реализации совместного сокращения перед конечным приводом», — добавил Люк. «С этой новой разработкой мы сделаем доступным встроенное совместное сокращение. Эта инновационная конструкция направлена ​​на преобразование того, как строятся коботы, чтобы лучше облегчить взаимодействие человека и робота».