Слепую езду на скейтборде без использования оптических камер и лидаров освоил андроид Unitree G1 в немецком исследовательском центре DFKI и Дармштадтском университете

Источник: RoboHorizon

Успешную демонстрацию алгоритмического управления динамическим балансом на примере катания антропоморфного робота Unitree G1 на спортивном скейтборде в условиях полного отключения оптических камер представили исследователи Немецкого исследовательского центра искусственного интеллекта DFKI совместно с Техническим университетом Дармштадта. Согласно публикациям научного журнала RoboHorizon и отчетам профильного сообщества Learn AI Faster, проект Blind Skateboarder под руководством аспиранта Адитьи Бхатта продемонстрировал способность нейросетевых контроллеров удерживать равновесие на подвижной доске исключительно за счет проприоцептивных данных и датчиков контакта стопы.\n\nВ противовес традиционным концепциям автономного перемещения, опирающимся на ресурсоемкую обработку видеопотока со стереокамер и трехмерных лидаров, система Blind Skateboarder функционирует вслепую. Контроллер реального времени базируется на гибриде глубинного обучения по методу подкрепления совместно с предиктивным моделированием MPC. На каждом шаге управления нейросеть с частотой двести герц анализирует показатели встроенного инерциального измерительного модуля IMU в торсе, угловые скорости сервоприводов и реакцию опорной поверхности, мгновенно распределяя крутящий момент по шарнирам ног.\n\nВ процессе натурных тестов серийный гуманоидный образец Unitree G1 массой 35 килограммов и ростом 127 сантиметров уверенно держал баланс на узкой доске, совершал динамические наклоны корпуса для захода в крутые повороты, компенсировал резкие внешние толчки и выполнял разгонные толчковые движения одной ногой. Алгоритм был предварительно обучен в физическом симуляторе на ограниченном наборе синтетических данных, после чего успешно перенесен на физический аппаратный комплекс без длительной ручной калибровки коэффициентов жесткости суставов.\n\nИнженеры подчеркивают, что катание на скейтборде предъявляет жесткие требования к скорости реакции: задержка в несколько миллисекунд неизбежно приводит к соскальзыванию колес и падению конструкции. Исключение задержек, неизбежно возникающих при визуальном анализе кадров, позволило добиться недостижимой ранее устойчивости при маневрировании на нестабильной платформе с четырьмя точками вращения.\n\nДля предотвращения резонансных колебаний подвески доски разработчики внедрили адаптивный модуль оценки коэффициента трения. Контур управления рассчитывает микросмещения колесных пар относительно продольной оси деки, автоматически варьируя жесткость коленных и голеностопных шарниров при переходе с гладкого полимерного покрытия на шероховатый асфальт.\n\nАрхитектура нейросети обучалась в среде параллельной физической симуляции с рандомизацией параметров упругости амортизаторов подвески и массы райдера, что позволило добиться нулевого разрыва Sim-to-Real при развертывании на аппаратном контроллере робота. При возникновении критических угловых ускорений система активирует защитную программу мягкого спрыгивания на обе ноги, предотвращающую механические повреждения сервомоторов.\n\nВстроенные алгоритмы фильтрации Калмана очищают показания датчиков от высокочастотных шумов вибрации подшипников скейтборда, обеспечивая идеальную стабильность входного вектора состояния. Высокая энергоэффективность вычислений позволяет запускать модель на встроенном бортовом микропроцессоре без риска перегрева и лишнего расхода емкости батареи. В дальнейшем немецкие ученые планируют обучить андроида выполнению базовых прыжковых элементов, включая классический трюк олли с контролируемым приземлением на наклонную фанерную рампу в реалистичных условиях скейт-парка.\n\nИсследовательский коллектив из Дармштадта намерен опубликовать исходные веса нейросетевых политик и программный стек на базе фреймворка PyTorch в открытом доступе для мирового академического сообщества. Разработанный подход позволит существенно повысить надежность передвижения шагающих роботов по скользким, зыбким и непредсказуемо деформирующимся покрытиям в темноте или при сильном задымлении.