CMUÐ는 획기적인 발전을 이루었습니다. 로봇 개는 완전한 민첩성을 갖추고 있으며 속도와 안전성을 결합하여 초고속으로 장애물을 횡단할 수 있습니다!

CMU와 ETH Zurich 팀은 복잡한 환경에서 고속 이동을 달성할 수 있는 4족 로봇을 위한 솔루션을 제공하는 "Agile But Safe"(ABS)라는 새로운 프레임워크를 개발하기 위해 협력했습니다. 프레임워크는 충돌 방지에 있어 높은 효율성을 보여줄 뿐만 아니라 전례 없는 3.1밀리초 속도를 달성합니다. 이러한 혁신은 다리가 있는 로봇 분야에 새로운 발전을 가져왔습니다.

고속 로봇 모션 분야에서 속도와 안전성을 동시에 유지하는 것은 언제나 큰 도전이었습니다. 그러나 카네기멜론대학교(CMU)와 취리히연방공과대학(ETH)의 연구팀이 최근 획기적인 성과를 거두었습니다. 그들이 개발한 새로운 4족 보행 로봇 알고리즘은 복잡한 환경에서 빠르게 움직일 수 있을 뿐만 아니라 장애물을 능숙하게 피하여 "민첩성과 안전성"이라는 목표를 진정으로 달성할 수 있습니다. 이 알고리즘의 혁신은 주변 환경을 빠르게 식별 및 분석하고 실시간 데이터를 기반으로 지능적인 의사결정을 내리는 능력에 있습니다. 첨단 센서와 강력한 컴퓨팅 성능을 활용해 로봇은 주변의 장애물을 정확하게 감지하고 보행과 궤적을 조정해 장애물을 피할 수 있다. 이 기술의 성공적인 적용은 고속 로봇의 개발을 크게 촉진할 것입니다

논문 주소: https://arxiv.org/pdf/2401.17583.pdf

ABS의 지원으로 로봇 개는 수행할 수 있습니다. 다양한 시나리오에서 모두 놀라운 고속 장애물 회피 기능을 보여주었습니다.

장애물로 가득 찬 좁은 복도:

지저분한 실내 장면:

잔디든 야외든, 정적이든 동적이든 상관없이 로봇은 강아지는 침착하게 대처할 수 있습니다 :

로봇 강아지는 유모차를 만나면 능숙하게 회피합니다 :

경고 표지판, 상자, 의자도 문제가 되지 않습니다 :

또한 쉽게 대처할 수 있습니다 갑자기 나타난 매트와 사람의 발 바이패스:

독수리 놀이도 하고 닭도 잡는 로봇개:

ABS 획기적인 기술:

RL+ 학습 모델이 필요 없는 Reach-Avoid 가치

ABS는 "Agile Policy"와 "Recovery Policy"를 포함한 이중 정책 설정을 사용합니다. Agile 전략은 로봇이 장애물 환경을 빠르게 통과할 수 있도록 하는 반면, Recovery 전략은 Reach-Avoid Value Estimation이 잠재적인 위험(예: 유모차의 갑작스런 출현)을 감지한 후 로봇의 안전을 보장하기 위해 개입합니다.

혁신 포인트 1: 애자일 정책을 교육하는 방법은 무엇입니까?

애자일 전략의 혁신은 과거의 단순히 속도 지시를 추적하는 것이 아니라 위치 추적을 사용하여 로봇의 민첩성을 극대화한다는 것입니다. 이 전략은 충돌 없이 지정된 목표를 달성하기 위해 감각 운동 기술을 개발하도록 로봇을 훈련시킵니다. 높은 기본 속도라는 보상 조건을 추구함으로써 로봇은 충돌을 피하면서 최대 민첩성을 달성하는 방법을 자연스럽게 학습합니다. 이 방법은 복잡한 환경에서 기존 속도 추적 전략의 보수적인 한계를 극복하고 장애물 환경에서 로봇의 속도와 안전성을 효과적으로 향상시킵니다. Agile Policy는 실제 테스트에서 최대 속도 3.1m/s에 도달했습니다

혁신 포인트 2: 학습 정책에 따른 도달-회피 가치 학습

"Reach-Avoid, RA" ) 가치 학습의 혁신은 전통적인 모델 기반 도달 가능성 분석 방법과 다르며 모델 없는 강화 학습 전략에 더 적합한 모델 없는 학습 접근 방식을 채택한다는 것입니다. 이 접근 방식은 글로벌 RA 값을 학습하는 대신 특정 전략에 의존하게 하여 민첩한 전략의 실패를 더 잘 예측할 수 있습니다. 단순화된 일련의 관찰을 통해 RA 가치 네트워크는 안전 위험을 효과적으로 일반화하고 예측할 수 있습니다. RA 값은 복구 전략을 안내하고 로봇이 충돌을 피하기 위해 모션을 최적화하도록 지원함으로써 안전을 보장하면서 민첩성을 향상한다는 목표를 달성하는 데 사용됩니다.

아래 그림은 특정 장애물 세트에 대해 학습된 RA(방어 도달) 값을 보여줍니다. 로봇 속도가 변화함에 따라 RA 값의 분포 환경도 그에 따라 변경됩니다. RA 값의 부호는 애자일 전략의 안전성을 합리적으로 나타냅니다. 즉, 이 그래프는 다양한 RA 값을 통해 다양한 속도에서 특정 장애물에 직면할 때 로봇의 안전 위험을 보여줍니다. RA 값의 높고 낮은 변화는 로봇이 다양한 상태에서 민첩한 전략을 실행할 때 직면할 수 있는 안전 위험을 반영합니다.

혁신 포인트 3: 도달 회피 값과 복구 전략을 사용하여 로봇을 구합니다.

복구 전략의 혁신은 4족 로봇이 백업으로 선속도 및 각속도 명령을 빠르게 추적할 수 있다는 것입니다. 보존 전략. 민첩한 전략과 달리 회복 전략의 관찰 공간은 선형 속도 및 각속도 명령 추적에 중점을 두고 외부 감각 정보가 필요하지 않습니다. 회복 전략의 임무 보상은 선형 속도 추적, 각속도 추적, 생존 유지 및 민첩성 전략으로 원활하게 전환할 수 있는 자세 유지에 중점을 둡니다. 이 전략의 훈련은 시뮬레이션 환경에서도 수행되지만, 복구 전략을 촉발할 수 있는 조건에 더 잘 적응하기 위해 특정 도메인 무작위화 및 커리큘럼 설정을 사용합니다. 이 접근 방식은 4족 로봇이 고속 모션 중에 발생할 수 있는 오류에 신속하게 대응할 수 있는 능력을 제공합니다.

아래 그림은 두 가지 특정 상황(I 및 II)에서 복구 전략이 발동될 때 RA(Rare Defense) 가치 환경을 시각적으로 표현한 것입니다. 이러한 시각화는 vx(x축을 따른 속도) 대 Ωz(z축을 따른 각속도) 및 vx 대 vy(y축을 따른 속도) 평면에서 수행됩니다. 그림은 검색 전 초기 회전 상태(즉, 현재 로봇 베이스의 회전 상태)와 검색을 통해 얻은 명령을 나타낸 것이다. 간단히 말해서, 이 차트는 특정 조건에서 회복 전략 검색을 통해 얻은 최적의 이동 지침과 이러한 지침이 RA 값에 어떤 영향을 미쳐 다양한 이동 상태에서 로봇의 안전성을 반영하는지 보여줍니다.

강인성 테스트

저자는 "12kg 하중/농구 충격/킥/눈"의 4가지 시나리오에서 ABS 프레임워크의 견고성을 테스트했으며 로봇 개는 차분했습니다. 응답:

연구팀

본 연구는 CMU와 ETH 연구팀이 공동으로 완료했습니다. 팀원으로는 Tairan He, Chong Zhang, Wenli Xiao, Guanqi He, Changliu Liu 및 Guanya Shi가 있습니다. 이들의 협력은 로봇 공학 분야에서 획기적인 발전을 이루었을 뿐만 아니라 4족 로봇의 새로운 응용 가능성을 열었습니다. 이 기술의 성공은 고속 이동 및 안전한 장애물 회피 분야에서 4족 로봇의 큰 잠재력을 보여줍니다. 앞으로 이 빠르고 안전한 4족 보행 로봇은 수색구조, 탐사는 물론 홈서비스까지 다양한 분야에서 중요한 역할을 할 것으로 기대된다.

위 내용은 CMUÐ는 획기적인 발전을 이루었습니다. 로봇 개는 완전한 민첩성을 갖추고 있으며 속도와 안전성을 결합하여 초고속으로 장애물을 횡단할 수 있습니다!의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!