И покрутила стопой
Инженеры из Кореи разработали робоногу HyperLeg для человекоподобных роботов, которая имитирует анатомию и возможности человеческой конечности. Нога массой 8,1 килограмм имеет подвижный голеностопный сустав с двумя степенями свободы и подвижную стопу с отклоняемым мыском. Видео доступно на YouTube-канале лаборатории.
В последние годы активно развивается направление разработки человекоподобных ходячих роботов. Благодаря наличию ног они в теории могут эффективно передвигаться по разнообразным типам поверхностей и преодолевать препятствия, недоступные для роботов на колесах. За прошедшее несколько лет инженеры научили роботов держать баланс и достаточно уверенно передвигаться. Например, известный человекоподобный робот Atlas, разработанный компанией Boston Dynamics, способен не только уверенно ходить, но также бегать, танцевать и даже демонстрировал некоторые элементы паркура.
Тем не менее многие разрабатываемые компаниями человекоподобные роботы до сих пор уступают людям в ловкости, скорости и навыках эффективного передвижения на ногах. Не исключено, что это связано со строением робоног прототипов, которое отличается от анатомии человеческих конечностей, имеющих подвижный голеностопный сустав с несколькими степенями свободы и сгибающуюся ступню.
Приблизить ноги роботов к человеческим возможностям решили инженеры из лаборатории робототехники IRIM lab Корейского института технологий и образования. Совместно с компанией WIRobotics они разработали прототип человекоподобной ноги Hyperleg, имитирующей внешний вид, анатомию и возможности нижней человеческой конечности. Робонога состоит из бедра, голени и подвижной ступни. Суммарная масса робоконечности составляет 8,1 килограмм, а высота 786 миллиметров. Все актуаторы располагаются в бедре, масса которого достигает 3,94 килограмм.
Главная отличительная черта от предыдущих разработок заключается в конструкции голеностопного сустава, который имеет две степени свободы. Как и у человеческой конечности, помимо подвижного соединения, которое позволяет поднимать носок ступни к голени и отклонять его вниз, голеностопный сустав HyperLeg может вращать ступню в поперечном направлении на 30 градусов в обе стороны. Кроме этого, ступня Hyperleg имеет округлую пятку и сгибаемый мысок аналогично ступне человека. Таким образом, при движении нога может опираться как на переднюю, так и на заднюю часть стопы, аналогично тому как это происходит у человека при ходьбе.
В представленном видео продемонстрированы возможные движения роботизированной конечности, а также ее испытания на прыжок в длину с дополнительным грузом 8 килограмм, закрепленным на верхней части бедра. Преодолеваемая 16-килограммовой ногой дистанция в прыжке составляет около 900 миллиметров.
Другой человекоподобный робот, Digit, разрабатываемый компанией Aerial Robotics для работы на складах, тоже имеет примечательную конструкцию ног, отличающуюся от ног роботов Atlas и недавно представленных роботов Optimus, компании Tesla. Его колено выгнуто в противоположную от привычного направления сторону. Такая конструкция коленного сустава призвана помочь роботу в подъеме груза.
Балансируя при этом на задних колесах
Швейцарские инженеры разработали для четвероногого робота на колесах алгоритм управления, основанный на обучении с подкреплением с внутренней мотивацией, для выполнения задач одновременного движения на задних колесах и манипуляции предметами с помощью передних конечностей. Робот под управлением алгоритма научился успешно выполнять тестовые задания — открывать запертую дверь, и выбрасывать лежащую на столе коробку в контейнер. Доклад с описанием алгоритма опубликован в рамках конференции CoRL 2023. При поддержке высокопроизводительного и масштабируемого российского веб-сервера Angie Четвероногий робот ANYmal, способный передвигаться по сложному рельефу, был создан в 2016 году инженерами из Швейцарской высшей технической школы Цюриха. Через некоторое время появилась его модифицированная версия с установленными на концах ног колесами, благодаря которым робот получил возможность передвигаться, комбинируя езду и ходьбу. Позднее инженеры из компании Swiss-Mile научили этого робота удерживать вертикальное положение, балансируя на двух задних колесах. Две верхние конечности в этом случае могут использоваться в качестве манипуляторов для взаимодействия с окружающими предметами. Однако для того, чтобы реализовать одновременное выполнение действий верхними конечностями и передвижение на задних колесах, необходимо решить довольно сложную алгоритмическую задачу. Обычно ее стараются упростить путем разделения на две части: задачу локомоции и задачу взаимодействия с объектом, которые затем дополнительно разбиваются на ряд этапов. Такой подход не универсален и требует множества ручных настроек под каждый конкретный сценарий. Марко Хуттер (Marco Hutter) и его коллеги из Швейцарской высшей технической школы Цюриха разработали для четвероногого колесного робота алгоритм, основанный на методе обучения с подкреплением, мотивированным любопытством (curiosity-driven learning), который позволил решить задачу одновременной локомоции на задних колесах и манипуляций с объектами как единое целое. Как известно обучение с подкреплением — это подход, в котором агент самостоятельно обучается взаимодействовать с окружающей средой методом проб и ошибок. Он выбирает, какие действия совершить, чтобы выполнить поставленную задачу, и в результате получает отклик от среды в виде награды или штрафа — числовой сигнал, который используется алгоритмом для определения того, насколько успешно выполнено действие. Конечная цель — найти последовательности действий, которая приводит к получению максимальной суммарной награды. В данном случае вместо множества отдельных наград, получаемых за подзадачи, разработчики решили использовать одну награду, которую агент получает от среды за правильное выполнение конечной цели задания. Например, в одной из тестовых ситуаций получение награды происходит за раскрытие запертой двери, а в другой — за перемещение лежащей на столе коробки в корзину. Для того чтобы агент смог за разумное время сам найти правильную последовательность действий для получения итоговой награды, разработчики применили концепцию обучения, мотивированного любопытством, реализованную в методе случайной сетевой дистилляции (Random Network Distillation). Агент в нем имеет механизм внутренней мотивации, стимулирующей его получать новый опыт. Технически это выражается в виде дополнительного вознаграждения, которое агент получает за изучение новых, еще неисследованных областей в пространстве состояний. Для этого агент пытается предсказать результаты собственных действий и получает награду в зависимости от того, насколько точны эти предсказания — чем точнее, тем меньше величина получаемого вознаграждения. Это побуждает агента исследовать среду и пробовать действия, которые он еще не выполнял, приобретая новые навыки. Обучение алгоритма выполнялось на графической карте Nvidia RTX 2080 Ti. На каждый полный цикл, включающий в себя для обеспечения сходимости величины вознаграждения 2000 обновлений политики, требовалось около одного часа. Обученный алгоритм сначала проверяли в симуляции, а затем переносили на реального робота Swiss-Mile в лаборатории. С первым заданием, в котором робот должен подъехать к закрытой двери и распахнуть ее, нажав на дверную ручку правым колесом, одновременно толкая дверь вперед, робот справился более 15 раз подряд без единого сбоя. В задаче взаимодействия с предметом, робот с обученным алгоритмом надежно обхватывал лежащую перед ним на столе коробку колесами на передних конечностях, после чего поворачивался к стоящему рядом со столом контейнеру и выбрасывал коробку в него. С этим заданием робот справился более 5 раз подряд. Правда, в одном из тестов, робот не удержал и выронил объект обратно на стол, однако затем снова подобрал его, после чего закончил задание успешно. https://www.youtube.com/watch?v=Qob2k_ldLuw Способность самостоятельно обучаться и выполнять сложные действия может пригодиться роботам не только на земле, но и на других планетах. Специалисты из Лаборатории реактивного движения NASA предложили исследовать Марс с помощью команды из робособак. Каждый член робособачей стаи будет отличаться от других, иметь свою роль в группе и помогать остальным.