Un robot patruped dezvoltat în Coreea de Sud a învățat să aleagă singur, ca un animal, strategia de mers potrivită terenului, schimbând mersul în timp real pe scări, poteci de pădure sau obstacole neregulate.

O echipă de cercetători de la Institutul Avansat de Știință și Tehnologie din Coreea (KAIST), condusă de profesorul Hae-Won Park de la Departamentul de Inginerie Mecanică, a dezvoltat o tehnologie de control care permite unui robot cu patru picioare să selecteze și să comute, în timp real, între mersul normal, alergare, sărituri și alte tipuri de locomoție, folosind un singur sistem de control. Cercetarea a fost publicată în revista Science Robotics și a fost aleasă drept articol de copertă al ediției din iulie.

De ce contează stabilitatea pe teren accidentat

Roboții cu patru picioare au un avantaj clar față de cei pe roți atunci când vine vorba de teren dificil. Însă în medii reale, obstacolele precum scările, marginile, pietrele de pas, crăpăturile sau crengile căzute apar succesiv și în forme diferite, iar simpla capacitate de a merge sau alerga rapid nu este suficientă.

Roboții patrupezi existenți excelau la deplasarea rapidă pe teren plat sau la depășirea unor obstacole simple, dar întâmpinau dificultăți în a păstra simultan viteza și stabilitatea în medii reale, unde obstacolele se combină în moduri complexe. Fiindcă mersul, alergarea și săritura trebuiau controlate separat, roboții erau limitați și în capacitatea de a trece natural de la un tip de mișcare la altul, pe măsură ce condițiile se schimbau.

Cum a fost antrenat robotul, fără capturi de mișcare

Pentru a depăși aceste limitări, echipa a dezvoltat o tehnologie de control bazată pe învățare, numită APT-RL (Action Pretrained Transformer-based Reinforcement Learning). În loc să filmeze mișcările unor oameni sau animale reale, cercetătorii au generat 15,5 ore de date de antrenament, acoperind o varietate de tipuri de mers, folosind exclusiv simulări pe calculator, în doar opt minute.

Aceste date au fost folosite pentru a preda robotului abilitățile de mișcare de bază, pornind de la dinamica robotului și de la optimizarea traiectoriei, o tehnică de calculare a celui mai eficient traseu de mișcare. Abordarea este mult mai rapidă și mai eficientă decât metodele anterioare, care se bazau pe capturarea mișcării cu senzori atașați unor subiecți umani sau animali.

Echipa a aplicat apoi învățarea prin întărire, o tehnică de inteligență artificială prin care un agent își optimizează comportamentul prin încercare și eroare repetată, astfel încât robotul să poată selecta și schimba singur tipul de mers potrivit unui teren tridimensional complex, cu scări, margini și goluri. În final, o cameră de adâncime a fost combinată cu senzori LiDAR, permițând robotului să recunoască în timp real mediul înconjurător și viteza-țintă, și să aleagă cea mai potrivită strategie de deplasare.

Testele pe teren real

Tehnologia a fost testată pe robotul propriu al echipei, numit KAIST HOUND, atât pe un parcurs interior cu obstacole, cât și în medii exterioare reale, inclusiv pe campusul KAIST și pe poteci forestiere. Robotul s-a deplasat stabil pe teren urban, cu scări, iarbă și pante, precum și pe teren natural neregulat, cu copaci căzuți, rădăcini expuse și cărări acoperite de frunze, schimbând mersul în timp real în funcție de condiții.

În teren accidentat, cu obstacole, robotul a atins o viteză instantanee maximă de șase metri pe secundă (aproximativ 22 de kilometri pe oră), demonstrând că poate combina viteza cu stabilitatea în medii exterioare reale. Experimentele au arătat că robotul a ales și a comutat autonom între un trap (picioare diagonale alternante) și un galop (o mișcare de tip săritură, folosind perechile de picioare din față și din spate împreună), în funcție de teren și de viteza-țintă, integrând mersul, alergarea, săritura și depășirea marginilor într-un singur sistem de control.

Profesorul Hae-Won Park a declarat că echipa se așteaptă ca această tehnologie să devină una fundamentală pentru extinderea utilizării roboților pășitori bazați pe AI fizică în medii dificile, precum zonele de dezastru, misiunile de apărare sau inspecțiile din facilități industriale.

Cercetarea arată că un robot poate învăța, la fel ca un animal, să își adapteze singur mersul la teren, fără a fi programat separat pentru fiecare tip de obstacol, ceea ce deschide drumul spre roboți capabili să opereze autonom în medii greu accesibile omului.

---

Sursa:
Jun-Gill Kang, Jaehyun Park, Hae-Won Park, Seungwoo Hong — „Agile perceptive multi-skill locomotion for quadrupedal robots in the wild” — Science Robotics — DOI: 10.1126/scirobotics.adz7397