Encontrarse CUALQUIER mal, un robot parecido a un perro de cuatro patas diseñado por investigadores de ETH Zürich en Suiza, con la esperanza de utilizar dichos robots para búsqueda y rescate en obras de construcción o áreas de desastre, entre otras aplicaciones. Ahora ANYmal ha sido actualizado para realizar funciones rudimentarias. parkour movimientos, también conocidos como «carrera libre». Los entusiastas del parkour humano son conocidos por sus hazañas acrobáticas notablemente ágiles, y aunque ANYmal no puede igualarlas, el robot saltó con éxito espacios, subió y bajó grandes obstáculos y se agachó para maniobrar debajo de un obstáculo, según un artículo reciente publicado en la revista Science Robotics.
El equipo de ETH Zürich presentó el enfoque original de ANYmal para el aprendizaje por refuerzo allá por 2019 y mejorado es propiocepción (la capacidad de sentir movimiento, acción y ubicación) tres años despues. Justo el año pasadoel equipo mostró un trío de robots ANYmal personalizados, probados en entornos lo más cercanos posible al duro terreno lunar y marciano. Como previamente reportado, los robots capaces de caminar podrían ayudar a los futuros rovers y mitigar el riesgo de daños por bordes afilados o pérdida de tracción en regolito suelto. Cada robot tenía un lidar sensor. pero cada uno de ellos estaba especializado para funciones particulares y aún era lo suficientemente flexible como para cubrirse mutuamente: si uno falla, los demás pueden hacerse cargo de sus tareas.
Por ejemplo, el objetivo principal del modelo Scout era inspeccionar su entorno utilizando cámaras RGB. Este robot también utilizó otro generador de imágenes para mapear regiones y objetos de interés utilizando filtros que dejan pasar diferentes áreas del espectro de luz. El modelo Scientist tenía la ventaja de un brazo con un MIRA (Analizador Raman instantáneo Metrohm) y un MICRO (generador de imágenes microscópico). MIRA pudo identificar sustancias químicas en los materiales encontrados en la superficie del área de demostración basándose en cómo dispersaban la luz, mientras que el MICRO en su muñeca los tomó imágenes de cerca. El Híbrido era más generalista y ayudaba al Explorador y al Científico con mediciones de objetivos científicos como rocas y cráteres.
A pesar de lo avanzado que se ha vuelto CUALQUIER robot y los robots con patas similares en los últimos años, aún quedan desafíos importantes antes de que sean tan ágiles y ágiles como los humanos y otros animales. «Antes de que comenzara el proyecto, varios de mis colegas investigadores pensaban que los robots con patas ya habían alcanzado los límites de su potencial de desarrollo». dijo la coautora Nikita Rudin., un estudiante de posgrado en ETH Zurich que también practica parkour. “Pero yo tenía una opinión diferente. De hecho, estaba seguro de que se podía hacer mucho más con la mecánica de los robots con patas”.
El parkour es bastante complejo desde el punto de vista de la robótica, lo que lo convierte en una tarea ideal para el próximo paso del equipo suizo en las capacidades de ANYmal. El parkour puede implicar grandes obstáculos, lo que requiere que el robot «realice maniobras dinámicas en los límites de actuación mientras controla con precisión el movimiento de la base y las extremidades», escribieron los autores. Para tener éxito, ANYmal debe ser capaz de sentir su entorno y adaptarse a los cambios rápidos, seleccionando un camino factible y una secuencia de movimientos de su conjunto de habilidades programadas. Y tiene que hacer todo eso en tiempo real con una informática integrada limitada.
El enfoque general del equipo suizo combina el aprendizaje automático con control basado en modelos. Dividieron la tarea en tres componentes interconectados: un módulo de percepción que procesa los datos de las cámaras a bordo y LiDAR para estimar el terreno; un módulo de locomoción con un catálogo programado de movimientos para superar terrenos específicos; y un módulo de navegación que guía al módulo de locomoción en la selección de qué habilidades usar para navegar diferentes obstáculos y terrenos usando comandos intermedios.
Rudin, por ejemplo, utilizó el aprendizaje automático para enseñarle a CUALQUIER algunas habilidades nuevas mediante prueba y error, es decir, escalar obstáculos y descubrir cómo trepar y saltar de ellos. La cámara del robot y su red neuronal artificial le permiten elegir las mejores maniobras en función de su entrenamiento previo. Otro estudiante de posgrado, Fabian Jenelten, utilizó control basado en modelos para enseñar a ANYmal cómo reconocer y sortear huecos en montones de escombros, aumentado con aprendizaje automático para que el robot pudiera tener más flexibilidad al aplicar patrones de movimiento conocidos a situaciones inesperadas.
Entre las tareas que ANYmal pudo realizar estaba saltar de una caja a otra vecina a hasta 1 metro de distancia. Esto requirió que el robot se acercara al espacio de lado, colocara sus pies lo más cerca posible del borde y luego usara tres piernas para saltar mientras extendía la cuarta para aterrizar en la otra caja. Luego podría transferir dos tramos diagonales antes de cruzar el espacio con el último tramo. Esto significaba que ANYmal podía recuperarse de cualquier paso en falso y deslizamiento transfiriendo su peso entre las piernas que no saltaban.
ANYmal también pudo bajar de una caja de 1 metro de altura para alcanzar un objetivo en el suelo, además de trepar por la caja. También puede agacharse para alcanzar un objetivo al otro lado de un pasaje estrecho, bajando su base y adaptando su andar en consecuencia. El equipo también probó las habilidades para caminar de ANYmal, en las que el robot atravesó con éxito escaleras, pendientes, pequeños obstáculos aleatorios, etc.
ANYmal todavía tiene sus limitaciones cuando se trata de navegar en entornos del mundo real, ya sea un recorrido de parkour o los escombros de un edificio derrumbado. Por ejemplo, los autores señalan que aún tienen que probar la escalabilidad de su enfoque a escenarios más diversos y no estructurados que incorporen una variedad más amplia de obstáculos; El robot sólo se probó en unos pocos escenarios seleccionados. «Queda por ver qué tan bien estos diferentes módulos pueden generalizarse a escenarios completamente nuevos», escribieron. El enfoque también lleva mucho tiempo, ya que requiere ocho redes neuronales que deben ajustarse por separado, y algunas de las redes son interdependientes, por lo que cambiar una significa cambiar y volver a entrenar las demás también.
Aún así, ANYmal «ahora puede evolucionar en escenas complejas donde debe escalar y saltar sobre grandes obstáculos mientras selecciona un camino no trivial hacia su ubicación objetivo», escribieron los autores. Por lo tanto, «al intentar igualar la agilidad de los corredores libres, podemos comprender mejor las limitaciones de cada componente en el proceso, desde la percepción hasta la actuación, eludir esos límites y, en general, aumentar las capacidades de nuestros robots».
Robótica científica, 2024. DOI: 10.1126/scirobótica.adi7566 (Acerca de los DOI).
Imagen de listado de ETH Zurich / Nikita Rudin