Die Fortbewegung von Robotern in unebenem Gelände stellt eine erhebliche Herausforderung dar. Während viele quadrupedale Roboter bereits in der Lage sind, sich effizient auf kontinuierlichem, aber unebenem Gelände zu bewegen, bleibt die Fortbewegung in diskontinuierlichem Gelände, wie Treppen oder Steinpfaden, eine komplexe Aufgabe. Ein neuer Forschungsansatz fokussiert sich auf agile, kontinuierliche und geländeadaptierte Sprünge, um solche Herausforderungen zu meistern.
Die Fortbewegung auf diskontinuierlichem Gelände erfordert eine präzise Planung und Ausführung dynamischer Bewegungen. Dies ist notwendig, um Hindernisse wie Lücken oder Unebenheiten zu überwinden. Die dabei entstehenden hochdynamischen Bewegungen führen zu signifikanten Bewegungen der an Bord befindlichen Sensoren, was die Echtzeit-Bildverarbeitung erschwert.
Um in solchen Umgebungen erfolgreich zu navigieren, müssen Roboter visuelle Eingaben nutzen, um ihre Umgebung zu analysieren und agile Verhaltensweisen zu planen. Diese visuelle Eingabe erfordert robuste Kontrollmethoden, um die Bewegungen des Roboters zu stabilisieren und anzupassen.
Forscher haben einen hierarchischen Lern- und Steuerungsrahmen entwickelt, um diese Herausforderungen zu bewältigen. Dieser Rahmen umfasst:
- Einen erlernten Höhenkarten-Prädiktor für robuste Geländeerkennung - Eine auf Verstärkungslernen basierende Bewegungsrichtlinie auf Zentroid-Ebene für vielseitige und geländeadaptierte Planung - Einen modellbasierten Beinsteuerungsmechanismus auf niedriger Ebene für präzises BewegungstrackingUm den Übergang von der Simulation zur realen Welt zu minimieren, wird die Hardware des Roboters genau modelliert. Dies ermöglicht es dem Roboter, agile und kontinuierliche Sprünge auf menschlichen Treppenstufen und spärlich verteilten Steinen auszuführen.
Mit diesem Rahmen konnte ein Unitree Go1 Roboter erstmals agile und kontinuierliche Sprünge auf menschlichen Treppenstufen und spärlich verteilten Steinen ausführen. Der Roboter war in der Lage, zwei Treppenstufen in einem Sprung zu überwinden und eine 3,5 Meter lange, 2,8 Meter hohe, 14-stufige Treppe in 4,5 Sekunden zu bewältigen. Diese beeindruckenden Leistungen wurden durch die Kombination von Reinforcement Learning und präzisem Modellieren der Hardware erreicht.
Der entwickelte Steuerungsrahmen zeigte auch in anderen Parkour-Aufgaben seine Überlegenheit. Der Roboter konnte erfolgreich über einzelne horizontale oder vertikale Diskontinuitäten springen und dabei die Baseline-Modelle übertreffen.
Ähnliche Ansätze wurden auch in anderen Forschungsarbeiten verfolgt. Beispielsweise präsentiert die Methode der Tiefe-basierte Impulskontrolle (DIC) hochagile visuell geführte Lokomotionsverhalten, welche die Flexibilität des modellfreien Lernens mit expliziter modellbasierter Optimierung der Bodenreaktionskräfte verbindet. Diese Methode wurde sowohl in der Simulation als auch in der realen Welt getestet.
Die Fortschritte in der Fortbewegung von Robotern in diskontinuierlichem Gelände markieren einen bedeutenden Schritt nach vorne in der Robotik. Durch die Kombination von hierarchischem Lernen und präziser Hardwaremodellierung können Roboter nun dynamische, agile Bewegungen ausführen, die zuvor nicht möglich waren. Diese Entwicklungen eröffnen neue Möglichkeiten für den Einsatz von Robotern in komplexen Umgebungen und stellen einen wichtigen Meilenstein in der Forschung dar.