pan.bg

Роботите с крака, които често са вдъхновени от животни и насекоми, могат да помогнат на хората да изпълняват различни задачи от реалния свят, като доставка на пакети или наблюдение на определени условия. През последните години компютърните учени създадоха алгоритми, които позволяват на тези роботи да ходят с различна скорост, да скачат, да имитират някои движения на животни и да се движат с голяма сръчност.

Изследователи от Лабораторията за изчислителна автономност и роботика на Университета на Мичиган (CURLY Lab) и Южния университет за наука и технологии са разработили система за обучение за укрепване, която позволява на роботи с крака да използват успешно скейтборд. Системата, описана в документ на сървъра за предпечат arXiv, може да се използва и за симулиране на други сложни движения в реалния свят, които включват физически контакт с околните обекти. https://arxiv.org/abs/2503.01842



"Настоящите подходи към придвижването на четириноги не вземат предвид взаимодействията с обекти, като например при каране на скейтборд. Нашата работа имаше за цел да създаде конвейер за задачи, които се фокусират върху взаимодействията с обекти, които си струва да се учат, включително скейтборд. Университетът на Мичиган има дълга история на разработване на хибридни динамични системи, което ни вдъхнови да идентифицираме такива хибридни ефекти, използвайки подходи, управлявани от данни в AI", за Tech Xplore Sangli Teng, автор на статията.

Основната цел на скорошната работа на Тенг и колегите му беше да позволят на ходещите роботи да извършват движения, контролирани от контакт, включително скейтборд. За да направят това, те разработиха нова система, наречена "обучение на хибридни автомати с дискретно време" (DHAL). „Хибридна динамика“ означава, че системата може да извършва както непрекъснати, така и дискретни преходи между състояния. По същество това означава, че може да променя състоянието си плавно и рязко с течение на времето.

"Например, когато подскачаща топка взаимодейства със земята, топката има непрекъсната динамика във въздуха и дискретни преходи между състояния при удар със земята", Sangli Teng, автор на статията за Tech Xplore.



Експертът посочи, че за системи с няколко непрекъснати динамични процеса и преходни функции е изключително трудно едновременното определяне на дискретния режим и непрекъснатата динамика. Това е така, защото броят на възможните дискретни преходи нараства експоненциално по отношение на броя на възможните непрекъснати преходи".

Резките преходи, описани от Teng, затрудняват използването на традиционни изчислителни методи, базирани на регресия, за изследване на динамиката на системата. DHAL, платформа, разработена от изследователите, може да идентифицира тези резки преходи и впоследствие да научи всеки непрекъснат сегмент от динамиката на системата, използвайки методи, базирани на регресия, намалявайки ефекта на накъсване, за който е установено, че влошава производителността на робота при задачи като скейтборд.

"В сравнение със съществуващите методи, DHAL не изисква ръчно идентифициране на дискретен преход или предварително познаване на броя на преходните състояния. Всичко в DHAL е евристично и ние показахме, че нашият метод може независимо да открие прехода между динамични режими", Sangli Teng, автор на статията за Tech Xplore

Друго предимство на платформата DHAL е, че тя е много интуитивна, което означава, че преходите в режимите, които открива, са в съответствие с тези, които обикновено се свързват със скейтборд. В ранните тестове изследователите установиха, че платформата позволява на четирикраки (т.е. четириръки) роботи да застанат плавно на скейтборд и да го използват, за да се движат бързо напред, както и да теглят малка количка след себе си.



"По време на етапите на бутане, плъзгане и повдигане, DHAL автоматично извежда различни маркировки. Нашият метод може да се приложи за оценка на състоянието на хибридни динамични системи, за да се определи дали се случва такъв преход. С тази информация за прехода системата може по-добре да оцени състоянията, за да помогне при вземането на решения", Sangli Teng, автор на статията за Tech Xplore

Ефективност на идентификацията на режима. В реалния живот ние осветяваме различни цветове на RGB-светлинните ленти в зависимост от режима, за да покажем превключването между режимите. Следващата фигура показва промяната в позицията на ставата във времето по време на теста, а цветът на фона съответства на цвета на съответния режим. [H, T, C] представляват съответно тазобедрената, бедрената кост и глезенната става. Нова система за обучение за укрепване, разработена от Тенг и колегите му, скоро може да отвори нови възможности за използване на ходещи роботи в реалния свят. Например, това може да им позволи да се движат по-бързо със скейтборд, докато доставят пакети из града, в офиси или производствени предприятия.

"Сега планираме да приложим тази система към други сценарии, като например сръчна манипулация (т.е. манипулиране на обекти с помощта на множество пръсти или ръце). Очаква се DHAL да предвиди по-точно контакта, позволявайки на алгоритмите за планиране и контрол да вземат по-информирани решения", Sangli Teng, автор на статията за Tech Xplore.





Източник: piter.tv Снимка: android-robot.com

Превод и редакция: pan.bg