Напряженная целостность и машинное обучение помогли роботу адаптироваться к увечьям
Инженеры создали робота, который состоит из связанных пружинами жестких ребер, а для подбора оптимальной походки устройства используются методы машинного обучения. Благодаря этому робот может выдерживать удары и складываться без повреждений, а также учится эффективно передвигаться, даже если частично поврежден, говорится в препринте на arXiv.org.
Подавляющее большинство современных роботов справляется с поставленной задачей только в состоянии полной исправности, что не слишком мешает на производстве, где, как правило, налажен процесс оперативного ремонта вышедшей из строя техники, или лабораторных условиях, где инженеры могут спокойно устранить неисправность и повторить эксперимент. Однако в других условиях — например, при ликвидации аварий или исследовании других планет, — замена робота или его ремонт могут быть просто невозможны. Поэтому инженеры постоянно ищут новые решения и не только проектируют конструкции, устойчивые к повреждению, но и решают проблему передвижения роботов, частично сохранивших работоспособность при некритичной поломке.
Инженеры Джон Риффель (John Rieffel) и Жан-Батист Муре (Jean-Baptiste Mouret) построили робота с жесткими и эластичными элементами каркаса, который выдерживает сжатие в плоский блин, а также может при повреждении самостоятельно найти наиболее подходящую походку. Робот представляет собой конструкцию из шести жестких ребер, связанных друг с другом 24 пружинами — устройство построено в соответствии с концепцией напряженной целостности, или тенсегрити (tensegrity, tensional integrity). На ребрах конструкции закреплены три вибромотора, изменяя частоту вибрации которых можно управлять движением устройства.
Обычно при создании роботов, в том числе мягких, инженеры стараются гасить вибрации, возникающие в конструкции устройства, однако в данном случае из-за напряженной целостности смещение одной части конструкции отражается на другой, и разработчики решили использовать этот эффект для наиболее эффективного передвижения — нужная частота вибрации моторов вызывает резонанс конструкции и робот начинает шагать, переставляя вершины тенсегрити-каркаса.
Также разработчики проверили, можно ли с помощью методов машинного обучения научить такого робота эффективно ходить без ручной отладки походки. Робота тестировали как в обычной конфигурации, так и имитируя повреждение — для этого авторы отсоединяли одну из пружин. Обучение состояло из 30 «прогонов» после чего исследователи сравнивали скорость перемещения роботов. Оказалось, что по сравнению со случайной вибрацией двигателей обученный неповрежденный робот ходит более чем в два раза быстрее (в среднем 12 сантиметров в секунду против приблизительно пяти), причем поврежденный робот с помощью машинного обучения тоже ходит быстрее исправного робота со стандартной походкой, средняя скорость робота без одной пружинки составила шесть сантиметров в секунду.
Авторы также построили новый прототип тенсегрити-робота, который работает не от питания по кабелю, а от аккумуляторов. В будущем они планируют научить его другим способам перемещения — например, перекатыванию по плоской поверхности.
Ранее мы писали и о другой работе Жана-Батиста Муре по оптимизации походки у роботов — тогда он с коллегами научил гексапода адаптироваться к поврежденным конечностям. В ходе опытов исследователи намеренно повреждали по очереди каждую из ног, а робот при помощи акселерометров определял проблему и с помощью компьютерного моделировании и библиотеки движений подбирал новую походку. В результате после потери контроля над одной из ног робот через 40 секунд обучения восстанавливал до 96 процентов от своей первоначальной скорости.
Из других разработок в этой области можно упомянуть швейцарских инженеров, которые научили гексаподов ходить эффективнее живых насекомых, а также разработчиков из Disney Research, которые научили роботов самостоятельно адаптироваться к изменениям конфигурации — например, робот-паук смог научиться ходить вперед после того, как инженеры присоединили к нему новые ноги.
Гексакоптер оснащен двумя взлетно-посадочными платформами для квадрокоптеров
Инженеры из Сколтеха разработали гибридный гексакоптер MorphoLander, который выступает в роли передвижного аэродрома для дронов меньшего размера. MorphoLander не только летает, но и может ходить по неровной поверхности при помощи четырех ног. В верхней части корпуса расположены две взлетно-посадочные платформы для микродонов. Дрон может пригодиться для инспекции объектов и поиска пострадавших во время стихийных бедствий, говорится в препринте на arXiv.org. При поддержке Angie — первого российского веб-сервера Дроны отлично подходят для выполнения задач поиска, инспекции и мониторинга, но потребляют много энергии и не могут долго находиться в полете. Одним из способов преодолеть это ограничение стала разработка дронов гибридной конструкции, которые могут не только летать, но и передвигаться по земле, например, с помощью колес или ног. Несмотря на то, что такой подход позволяет продлить время работы за счет менее энергозатратного способа передвижения по поверхности, продолжительность полета гибрида и его эффективность часто снижается из-за дополнительного веса. Инженеры под руководством Дмитрия Тетерюкова (Dzmitry Tsetserukou) из Сколтеха предложили использовать громоздкий дрон в качестве носителя для дронов поменьше. Тогда большой дрон выступает в роли передвижного «улья», который в нужный момент выпускает рой маленьких дронов, способных более эффективно выполнить задачу на большой территории за счет совместной работы. Разработанный прототип под названием MorphoLander представляет собой гексакоптер с четырьмя ногами, каждая из которых имеет три степени свободы. С их помощью дрон может передвигаться по неровной поверхности. Масса гибрида немного больше 10 килограмм. Встроенного аккумулятора хватает на 12 минут полета. Сверху на корпусе закреплены две посадочные платформы диаметром 20 сантиметров, на которые могут садиться микродроны. Чтобы микродронам (инженеры использовали Crazyflie 2.1 массой 27 грамм) было проще садиться на MorphoLander, материнский дрон с помощью алгоритма стабилизации старается удерживать горизонтальное положение платформ, подстраивая высоту ног под неровности поверхности. Посадка микродронов происходит под управлением алгоритма машинного обучения, его обучение с подкреплением проходило в симуляторе на платформе игрового движка Unity, который позволяет имитировать физику, с использованием пакета машинного обучения Unity ML Agents. Обученный алгоритм посадки затем испытали в трех сценариях с участием реальных дронов. В первом два микродрона должны были взлетать с расстояния полутора метров от MorphoLander и затем садиться на его платформы. Среднее значение отклонения от центра платформы в этом сценарии составило всего около 5,5 миллиметра. Во втором сценарии микродроны должны были садиться на материнский дрон, стоящий на неровной поверхности. В этом случае ошибка возросла и составила 25 миллиметров. Третий сценарий имитировал реальное применение: микродроны взлетали с платформ, в то время как MorphoLander отходил от места взлета на некоторое расстояние, после чего микродроны должны были сесть обратно. Среднее значение отклонения от центра 20-сантиметровой платформы составило 35 миллиметров. В будущем инженеры планируют увеличить точность и устойчивость алгоритма управления микродронами за счет контроля тяги отдельных винтов. https://www.youtube.com/watch?v=fV8_Ejy81s8&t=1s Совместная работа помогает роботам справляться с более трудными задачами. К примеру японские инженеры разработали систему из работающих в паре дрона и наземного робота. Они соединены друг с другом тросом, что позволяет наземного дрону взбираться на более крутые подъемы. Для этого дрон закрепляет трос на вершине, после чего наземный робот натягивает его с помощью лебедки и поднимается наверх.