对于一位复杂的自治机器人,通过未知的建筑物和不均匀的地形来找到它的方式,需要知道将其手脚放在哪里以保持稳定性和平衡。

来自密歇根大学的新算法加速了带有手臂状附属物的这些机器人的路径规划和肢体放置。在实验中,路径规划算法发现成功的路由到标准算法的时间三倍,同时需要更少的处理时间。

机器人并不总是能够平衡自身,并在脚下向前移动Dmitry Berenson,电气计算机工程副教授和机器人研究所的核心教授

“当机器人需要跨越困难环境时,它需要用手来帮助它平衡,”Berenson教授告诉yabovip16.com在下面的问答。

然而,手掌触点增加了决策过程,并导致大型环境的不切实际的规划时间。

为了速度速度,密歇根大学发达的系统刚刚使用其复杂,基于学习的方法。

Berenson和他的团队的研究使机器人能够在计算成功前进之前确定地形困难。越耗码,以图书馆为中心的方法 - 通过训练示例的历史进行搜索的方法 - 仅在遍历困难时启动。

基于脚和手的接触可能性的数量来确定地形难度。具有许多接触点的位置具有“高遍历性”。

如果路径挑战,则抓住较少的点,机器人可以例如从图书馆拉动并在前一步的同时在一个或两只手中开始向墙上支撑。

在更简单的路径上使用了设置脚步序列和使能它们的关节运动的离散搜索计划员。

“易于遍历的段分配了离散搜索的规划器,而其他段被分配了基于库的方法,该方法适合对给定段附近的环境的现有运动计划”说他们最近的报告的开幕式摘要

测试计划

该团队转向机器学习,以培训机器人,以不同的方式,它可以将其手脚放置,以保持平衡并向前移动。

当放置在一个新的复杂环境中时,机器人使用学习的选项来找到它的方式。

最近的机器人博士博士和余志林博士博士。Nuro Inc.的毕业生和软件工程师,采用虚拟和现实世界的方法来测试其系统。首先,两者在瓦砾走廊中制作了人形机器人的几何模型。

在50项试验中,团队的方法达到了84%的时间,而基本路径规划师为26%。该系统花了超过两分钟才能创建一个计划,而基本路径规划师为多次三分钟。

研究人员还使用带有躯干和两个臂的轮式机器人进行了物理测试。

由于机器人的基座放置在一个陡峭的斜坡上,该系统在移动时必须用“手”在凹凸不平的表面支撑自己。机器人只需要0.1秒多一点的时间就能规划出一条路径,而基本路径规划器需要3.5秒多一点。

在未来的工作中,团队希望纳入动态稳定的运动,类似于人类和动物的自然运动。这种运动将使机器人不得不经常平衡。

在一个简短的问答yabovip16.com下面,Berenson教授探讨了关于路径规划算法的更多信息,以及自主机器人的地形最具挑战性的方面。

yabovip16.com:为什么道路规划传统上需要这么长时间?

德米特里伯森教授:当机器人的自由度的数量低时,路径规划通常相当快(通常小于一秒)。例如,如果您在2D中有一个点,则您有两度自由度:x和y。

通常,人形机器人具有28个关节,从而具有28度自由度。规划所有这些都是非常慢的。以前与我们的工作有关的脚步计划,这意味着规划一系列脚部展示,然后弄清楚机器人如何移动其关节以稍后实现那些脚踏垫料。但是,当机器人需要遍历困难的环境时,它需要用手来帮助它平衡。

规划问题两个都脚和手太高了;在处理多程度的自由方面,之前的规划算法将非常缓慢。

yabovip16.com:加快过程的技术主要方面是什么?

德米特里伯森教授:我们创造了克服这个问题的是1)一种方法,这些方法是在脚/手接触的环境中(高遍历区域)的地方,使我们可以偏向于那些,而2)划分的方法基于遍历性的目标的路径,以确保适当的规划方法应用于每个部分。

第二部分有效地将大困难规划问题分裂为几个较小,更容易的规划问题。

虚拟机器人显示不同的运动模式,只有脚,一只手或两者都有,因为它遍历粗糙的地形。信用玉溪林。

yabovip16.com:机器人使用哪些标准来确定地形困难?

德米特里伯森教授为了确定地形的可穿越性,机器人学习了一个功能,即观察给定的环境区域,并估计有多少可行的手/脚位置。这个“可遍历性估计器”是在模拟中随机生成的环境中数千个脚和手的位置上训练的。当机器人遇到一个新的环境时,它可以使用这个可遍历性估计器来快速确定环境的哪些区域更容易通过。

yabovip16.com:当机器人决定切换到更简单的路径规划模式时,机器人是否能够较少?机器人如何以“更简单的模式?”在“更简单的模式”中运行

德米特里伯森教授:是的,在更简单的规划模式下,我们称之为“从头开始计划”,机器人使用典型的脚步计划方法。这种方法太慢,无法处理脚和手触点,所以我们只能在从头开始时使用脚接触。

yabovip16.com:如果你把机器人放在一个新的环境中,那么机器人的地形最具挑战性的方面是什么?

德米特里伯森教授:一个新地形的最具挑战性的部分将是一块地形,这些地形看起来并不像我们在训练数据中看到的东西一样 - 例如,如果走廊中间有一棵树,那么什么都没有我们在随机生成的仿真环境中看到了什么。

神经网络,就像我们用于遍历估计的那种,当您给出与培训的培训截然不同的输入时,不要表现良好,因此它们输出的遍历估计不会是可靠的。有方法可以估算神经网络输出的不确定性,以帮助缓解这个问题,但我们还没有将这些工作应用于这项工作。

yabovip16.com:你下次工作的是什么?

德米特里伯森教授:我们的实验室正在努力方法是关于机器人可以且无法做到他们所拥有的知识的方法。我们目前正在建立这项工作。