Прыгающие робокубы научились узнавать друг друга и самоорганизовываться
Американские инженеры рассказали в работе, которая будет представлена на конференции IROS 2019, что научили прыгающие робокубы распознавать друг друга и общаться между собой. Благодаря этому робокубы научились самостоятельно выстраиваться в линию, передвигаться друг по другу в заданном направлении, а также двигаться по направлению к свету.
В робототехнике есть направление, в рамках которого исследователи создают роботов и алгоритмы для коллективного взаимодействия. Как правило, такие рои роботов состоят из множества одинаковых устройств с равным статусом, использующих децентрализованный алгоритм для самоорганизации. К примеру, среди исследователей популярны килоботы — простые роботы, общающиеся между собой с помощью инфракрасных сигналов и перемещающиеся благодаря вибрации. На них исследователи отрабатывали алгоритмы самостоятельного коллективного принятия решений в группе, а также алгоритм искусственного морфогенеза.
В 2013 году американские исследователи под руководством Даниэлы Рус (Daniela Rus) из Массачусетского технологического института представили робота M-Blocks — куб, способный перемещаться без применения внешних актуаторов. Вместо этого в роботе используется маховик, раскручивающийся до нужной скорости, после чего его зажимает тормозной ремень. Из-за этого крутящий момент передается на корпус робота и он поворачивается в нужную сторону или даже подпрыгивает. Робот может менять направление движения, поворачивая маховик перед его раскруткой. Между собой роботы соединяются с помощью магнитов.
В новой работе инженеры оснастили робота простой системой идентификации. На каждой из граней робота установлено четыре небольших магнита. Их полюса ориентированы определенным образом, благодаря чему каждый магнит повернут в одном из 30 возможных положений. Также на каждой грани установлено по два датчика магнитного поля. В будущих версиях авторы планируют использовать четыре датчика — по одному на каждый магнит. Такая схема позволяет роботу опознавать своих соседей. Кроме магнитных меток и датчиков в каждом роботе есть несколько светодиодов и оптических датчиков, а также модуль Wi-Fi, с помощью которого они могут получать данные от сервера.
Инженеры показали три примера полуавтономного коллективного взаимодействия. В первом режиме используются пассивные и активные роботы. Пассивные установлены в виде полосы или плоскости, а активные перемещаются по ним. Сервер присваивает каждому пассивному роботу виртуальную стрелку, указывающую направление движения, и передает эти данные активным. Активные роботы перемещаются по пассивным, ориентируясь на виртуальные стрелки.
Во втором примере роботы выстраиваются в линию. Сначала сервер присваивает одному роботу статус центрального, а затем остальные начинают выстраиваться в линию, используя простой алгоритм, при котором они двигаются, ориентируясь на количество окружающих соседей и их команды, передаваемые через светодиоды («продолжай движение» или «прикрепляйся здесь»).
В третьем примере датчики света в роботах используются для коллективного движения к свету. Сервер выбирает центральный модуль, после чего остальные начинают двигаться к источнику света, соединяться между собой и формировать единую структуру рядом с ним.
Другая группа инженеров под руководством Даниэлы Рус тоже использовала вращательные механизмы для создания прыгающего робокуба. Однако в их разработке используется два электромотора, вращающих металлический язычок, которым робот отталкивается от пола.
А инженеры из Пенсильванского университета несколько лет работает над модульными роботами, конструкция которых тоже напоминает куб. Они двигаются благодаря расположенным по бокам колесам и способны прикрепляться друг к другу с помощью электромагнитной сцепки. Помимо того, что они способны формировать единую структуру из нескольких модулей, они также умеют использовать подручные инструменты и элементы окружающей среды.
Григорий Копиев
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.