Uma equipe liderada pela Universidade da Califórnia em San Diego desenvolveu um novo sistema de algoritmos que permite que robôs de quatro patas andem e corram em terrenos desafiadores, evitando obstáculos estáticos e em movimento.
Nos testes, o sistema guiou um robô para manobrar de forma autônoma e rápida em superfícies arenosas, cascalho, grama e colinas de terra esburacadas cobertas de galhos e folhas caídas sem esbarrar em postes, árvores, arbustos, pedregulhos, bancos ou pessoas. O robô também navegou em um espaço de escritório movimentado sem esbarrar em caixas, mesas ou cadeiras.

O trabalho aproxima os pesquisadores da construção de robôs que podem realizar missões de busca e resgate ou coletar informações em locais muito perigosos ou difíceis para humanos.

A equipe apresentará seu trabalho na Conferência Internacional de Robôs e Sistemas Inteligentes (IROS) 2022, que acontecerá de 23 a 27 de outubro em Kyoto, no Japão.

O sistema oferece mais versatilidade a um robô com pernas devido à maneira como combina o sentido da visão do robô com outra modalidade de detecção chamada propriocepção, que envolve o senso de movimento, direção, velocidade, localização e toque do robô - neste caso, a sensação do chão sob seus pés.

Atualmente, a maioria das abordagens para treinar robôs com pernas para andar e navegar depende de propriocepção ou visão, mas não de ambos ao mesmo tempo, disse o autor sênior do estudo Xiaolong Wang, professor de engenharia elétrica e de computação da Escola de Engenharia da UC San Diego Jacobs. .

"Em um caso, é como treinar um robô cego para andar apenas tocando e sentindo o chão. E, no outro, o robô planeja os movimentos das pernas com base apenas na visão. Wang. "Em nosso trabalho, combinamos propriocepção com visão computacional para permitir que um robô com pernas se mova com eficiência e suavidade - evitando obstáculos - em uma variedade de ambientes desafiadores, não apenas em ambientes bem definidos".

O sistema que Wang e sua equipe desenvolveram usa um conjunto especial de algoritmos para fundir dados de imagens em tempo real tiradas por uma câmera de profundidade na cabeça do robô com dados de sensores nas pernas do robô. Esta não foi uma tarefa simples. "O problema é que, durante a operação no mundo real, às vezes há um pequeno atraso no recebimento de imagens da câmera", explicou Wang, "portanto, os dados das duas modalidades de detecção diferentes nem sempre chegam ao mesmo tempo".

A solução da equipe foi simular essa incompatibilidade randomizando os dois conjuntos de entradas – uma técnica que os pesquisadores chamam de randomização de atraso multimodal. As entradas fundidas e aleatórias foram então usadas para treinar uma política de aprendizado por reforço de maneira ponta a ponta. Essa abordagem ajudou o robô a tomar decisões rapidamente durante a navegação e antecipar mudanças em seu ambiente com antecedência, para que pudesse se mover e desviar de obstáculos mais rapidamente em diferentes tipos de terrenos sem a ajuda de um operador humano.

Seguindo em frente, Wang e sua equipe estão trabalhando para tornar os robôs com pernas mais versáteis para que possam conquistar terrenos ainda mais desafiadores. "Neste momento, podemos treinar um robô para fazer movimentos simples, como caminhar, correr e evitar obstáculos. Nossos próximos objetivos são permitir que um robô suba e desça escadas, ande sobre pedras, mude de direção e salte sobre obstáculos."

A equipe lançou seu código no GitHub e o artigo está disponível no arXiv servidor de pré-impressão. + Explorar mais

Um robô que se ensina a andar usando aprendizado por reforço