Без использования оптических камер и визуальных маркеров катанию на скейтборде обучили гуманоидного робота исследователи из TU Darmstadt и DFKI

Источник: RoboHorizon

Успешную демонстрацию алгоритмов динамического удержания равновесия и выполнения акробатических трюков на скейтборде без использования оптических камер, лидаров или внешних маркеров захвата движения провели исследователи Дармштадтского технического университета TU Darmstadt и Немецкого исследовательского центра по искусственному интеллекту DFKI. На основе научных публикаций журнала RoboHorizon и материалов команды под руководством Адитьи Бхатта, научная группа реализовала парадигму так называемой слепой локомоции (Blind Locomotion) на серийном антропоморфном роботе Unitree G1.\n\nКлючевой задачей исследовательского проекта стало доказательство возможности управления сложными нестабильными физическими системами исключительно на основе внутренних проприоцептивных сенсоров, инерциальных измерительных блоков IMU и датчиков реакции опоры на стопах. Скейтборд представляет собой классическую механическую систему с подвижными шарнирными подвесками, где малейшее смещение центра масс вызывает резкий крен деки и изменение направления движения.\n\nАрхитектура системы объединяет алгоритмы глубокого подкрепляемого обучения нейросетей и модель предиктивного тактильного контроля. Политика управления формировалась в высокоскоростном симуляторе физического взаимодействия с применением масштабной рандомизации динамических параметров: коэффициента сцепления колес с асфальтом, жесткости амортизаторов подвески и микрорельефа поверхности. Многофакторная функция вознаграждения оптимизировала вертикальную устойчивость корпуса, минимизируя пиковые всплески крутящего момента на электроприводах.\n\nПеренос обученной нейросети на физического робота Unitree G1 осуществлен по методике Sim-to-Real без дообучения в реальном мире (Zero-Shot Transfer). В ходе натурных тестов в университетской лаборатории андроид уверенно разгоняется толчковой ногой, запрыгивает на движущуюся доску, компенсирует боковые возмущения, поворачивает за счет дозированного наклона корпуса и приземляет прыжковые элементы по голосовой команде оператора.\n\nЧастота контура проприоцептивного управления составляет пятьсот герц, что позволяет сервоприводам суставов реагировать на смещение опорной плоскости с задержкой не более двух миллисекунд. Отсутствие зависимости от видеопотока гарантирует полную невосприимчивость системы к резким теням, бликам, запыленности и внезапному отключению внешнего освещения.\n\nВстроенные силомоментные датчики в голеностопных шарнирах мгновенно фиксируют перераспределение веса между носком и пяткой, трансформируя механическое давление в команды дифференциального подруливания. Даже при сильных внешних толчках шестом со стороны экспериментаторов робот мгновенно восстанавливает горизонтальное положение деки, не спрыгивая со скейта.\n\nВектор состояний нейросети включает историю угловых скоростей, суставных ускорений и контактных сил за последние сорок миллисекунд, формируя компактный временной контекст без накопления вычислительной погрешности. Энергопотребление бортового микроконтроллера при слепом управлении снизилось более чем на тридцать процентов по сравнению со стандартным зрительно-моторным пайплайном. Программный фреймворк адаптирован для выполнения сложных маневров карвинга на наклонных поверхностях скейт-парков, обеспечивая стабильный разгон за счет ритмичной раскачки доски (пампинга) без касания пола ступнями. Контроллер автоматически гасит паразитные резонансные колебания подвески на высоких скоростях движения.\n\nНемецкие исследователи подчеркивают, что отработанные принципы тактильной балансировки имеют фундаментальное значение для будущей эксплуатации промышленных и поисково-спасательных гуманоидов. Умение мгновенно подстраивать жесткость суставов под скользкие, прогибающиеся или качающиеся поверхности позволит роботам безопасно передвигаться по обломкам зданий, трапам кораблей и строительным лесам.\n\nКоманда TU Darmstadt и DFKI планирует выложить исходный программный код, веса обученных нейросетевых моделей и архитектурные схемы управления в общедоступных репозиториях открытого доступа ради ускорения независимых академических изысканий в секторе воплощенного интеллекта.