Исследователи создали DribbleBot, систему для дриблинга в дикой природе на различных природных ландшафтах, включая песок, гравий, грязь и снег, с использованием встроенных датчиков и вычислений. В дополнение к этим футбольным подвигам такие роботы могут когда-нибудь помочь людям в поисково-спасательных миссиях. Фото: Майк Гриммет/MIT CSAIL

Рэйчел Гордон | Массачусетский технологический институт CSAIL

Если вы когда-нибудь играли в футбол с роботом, это знакомое вам чувство. Солнце блестит на твоем лице, а воздух пропитывается запахом травы. Вы посмотрите вокруг. Четвероногий робот спешит к вам, решительно ведя мяч.

Хотя бот не демонстрирует уровень способностей Лионеля Месси, тем не менее, это впечатляющая система дриблинга в дикой природе. Исследователи из Лаборатории невероятного искусственного интеллекта Массачусетского технологического института, входящей в Лабораторию компьютерных наук и искусственного интеллекта (CSAIL), разработали роботизированную систему на ногах, которая может вести футбольный мяч в тех же условиях, что и люди. Бот использовал сочетание встроенных датчиков и вычислений для перемещения по различным естественным ландшафтам, таким как песок, гравий, грязь и снег, и адаптировался к их различному влиянию на движение мяча. Как и любой увлеченный спортсмен, «DribbleBot» мог встать и вернуть мяч после падения.

Программирование роботов для игры в футбол уже некоторое время является активной областью исследований. Тем не менее, команда хотела научиться автоматически приводить в действие ноги во время дриблинга, чтобы можно было обнаружить сложные для сценария навыки реагирования на различные ландшафты, такие как снег, гравий, песок, трава и тротуар. Вход, симуляция.

Робот, мяч и местность находятся внутри симуляции — цифрового двойника мира природы. Вы можете загрузить в бота и другие активы и установить параметры физики, а затем оттуда он обрабатывает прямое моделирование динамики. Четыре тысячи версий робота моделируются параллельно в режиме реального времени, что позволяет собирать данные в 4000 раз быстрее, чем при использовании всего одного робота. Это много данных.

Видео: MIT CSAIL

Робот начинает, не зная, как вести мяч — он просто получает вознаграждение, когда делает это, или отрицательное подкрепление, когда ошибается. Таким образом, он, по сути, пытается выяснить, какую последовательность сил он должен прикладывать к своим ногам. «Одним из аспектов этого подхода к обучению с подкреплением является то, что мы должны разработать хорошую награду, чтобы помочь роботу научиться успешному поведению дриблинга», — говорит аспирант Массачусетского технологического института. Гейб Марголискоторый руководил работой вместе с Яндон Джинаучный сотрудник в Невероятная лаборатория искусственного интеллекта. «После того, как мы разработали эту награду, настало время для практики робота: в реальном времени это пара дней, а в симуляторе — сотни дней. Со временем он учится все лучше и лучше манипулировать футбольным мячом, чтобы достичь желаемой скорости».

Бот также мог перемещаться по незнакомой местности и восстанавливаться после падений благодаря контроллеру восстановления, который команда встроила в свою систему. Этот контроллер позволяет роботу подняться после падения и снова переключиться на свой контроллер дриблинга, чтобы продолжить преследование мяча, помогая ему справляться с нарушениями распределения и ландшафтами.

«Если вы посмотрите вокруг сегодня, большинство роботов колесные. Но представьте, что есть сценарий стихийного бедствия, наводнения или землетрясения, и мы хотим, чтобы роботы помогали людям в процессе поиска и спасения. Нам нужны машины, чтобы передвигаться по неровной местности, а колесные роботы не могут перемещаться по таким ландшафтам», — говорит он. Пулкит Агравал, профессор Массачусетского технологического института, главный исследователь CSAIL и директор Improbable AI Lab». Весь смысл изучения роботов с ногами заключается в том, чтобы выйти за пределы досягаемости современных роботизированных систем», — добавляет он. «Наша цель при разработке алгоритмов для роботов на ногах — обеспечить автономию в сложных и сложных ландшафтах, которые в настоящее время недоступны для роботизированных систем».

Увлечение четвероногими роботами и футболом имеет глубокие корни — канадский профессор Алан Макворт впервые изложил эту идею в статье под названием «Видение роботов», представленной на VI-92 в 1992 году. », что привело к дискуссиям об использовании футбола для продвижения науки и технологий. Через год проект был запущен под названием Robot J-League, и сразу же последовал глобальный ажиотаж. Вскоре после этого родился «RoboCup».

По сравнению с ходьбой в одиночку, ведение футбольного мяча налагает больше ограничений на движение DribbleBot и на то, по какой местности он может пересечься. Робот должен адаптировать свое движение, чтобы прикладывать силы к мячу для ведения мяча. Взаимодействие между мячом и ландшафтом может отличаться от взаимодействия между роботом и ландшафтом, таким как густая трава или тротуар. Например, футбольный мяч будет испытывать силу сопротивления на траве, которой нет на тротуаре, а наклон будет прикладывать силу ускорения, изменяя типичную траекторию мяча. Тем не менее, способность бота перемещаться по разным ландшафтам часто меньше зависит от этих различий в динамике — до тех пор, пока он не скользит — поэтому футбольный тест может быть чувствителен к изменениям ландшафта, в отличие от передвижения.

«Предыдущие подходы упрощали проблему дриблинга, делая предположение о плоской твердой поверхности. Движение также сделано более статичным; робот не пытается одновременно бегать и манипулировать мячом», — говорит Джи. «Вот где более сложная динамика входит в проблему управления. Мы решили эту проблему, расширив последние достижения, которые позволили улучшить передвижение на открытом воздухе, в эту сложную задачу, которая сочетает в себе аспекты передвижения и ловких манипуляций».

Что касается аппаратного обеспечения, у робота есть набор датчиков, которые позволяют ему воспринимать окружающую среду, позволяя ему чувствовать, где он находится, «понимать» свое положение и «видеть» часть своего окружения. У него есть набор приводов, которые позволяют ему прикладывать усилия и перемещать себя и объекты. Между датчиками и исполнительными механизмами находится компьютер или «мозг», которому поручено преобразовывать данные датчиков в действия, которые он будет применять через двигатели. Когда робот бежит по снегу, он не видит снег, но может чувствовать его с помощью своих моторных датчиков. Но футбол — более сложный подвиг, чем ходьба, поэтому команда использовала камеры на голове и теле робота для новой сенсорной модальности зрения в дополнение к новым двигательным навыкам. А потом — дриблинг.

«Наш робот может выйти в дикую природу, потому что у него на борту есть все датчики, камеры и вычисления. Это потребовало некоторых нововведений, чтобы весь контроллер подходил к этому бортовому вычислению», — говорит Марголис. «Это одна из областей, где обучение помогает, потому что мы можем запустить легкую нейронную сеть и обучить ее обрабатывать зашумленные данные датчиков, наблюдаемые движущимся роботом. Это резко контрастирует с большинством современных роботов: обычно манипулятор устанавливается на неподвижное основание и сидит на рабочем столе с подключенным к нему гигантским компьютером. Ни компьютера, ни датчиков в манипуляторе нет! Итак, все это тяжелое, его трудно передвигать ».

Нам еще предстоит пройти долгий путь, чтобы сделать этих роботов такими же проворными, как их аналоги в природе, и некоторые местности были сложными для DribbleBot. В настоящее время контроллер не обучен работе в смоделированных средах, включающих наклоны или лестницы. Робот не воспринимает геометрию местности; это только оценка его контактных свойств материала, таких как трение. Например, если есть ступенька, робот застрянет — он не сможет поднять мяч над ступенькой — областью, которую команда хочет исследовать в будущем. Исследователи также рады применить уроки, извлеченные во время разработки DribbleBot, к другим задачам, которые включают комбинированное передвижение и манипулирование объектами, быстрое перемещение различных объектов с места на место с помощью ног или рук.

Исследование проводится при поддержке программы DARPA Machine Common Sense Program, лаборатории искусственного интеллекта MIT-IBM Watson, Института искусственного интеллекта и фундаментальных взаимодействий Национального научного фонда, Исследовательской лаборатории ВВС США и Ускорителя искусственного интеллекта ВВС США. Документ будет представлен на Международной конференции IEEE по робототехнике и автоматизации (ICRA) в 2023 году.