Pesquisadores usam nova abordagem para ensinar robô a navegar sobre obstáculos

Robôs quadrúpedes podem ser capazes de passar diretamente por cima de obstáculos em seus caminhos graças aos esforços de um trio de Ph.D da Georgia Tech. alunos.

Quando se trata de locomoção e navegação robótica, Naoki Yokoyama diz que a maioria dos robôs de quatro patas são treinados para recuperar o equilíbrio se um obstáculo os fizer tropeçar. Trabalhando em um esforço maior para desenvolver um robô doméstico, Yokoyama e seus colaboradores – Simar Kareer e Joanne Truong – começaram a treinar seu robô para caminhar sobre a desordem que poderia encontrar em uma casa.

“A principal motivação do projeto é obter controle de baixo nível sobre as pernas do robô, que também incorpora entrada visual”, disse Yokoyama, Ph.D. aluno da Escola de Engenharia Electrotécnica e de Computadores. “Visamos um controlador que poderia ser implantado em um ambiente interno com muita confusão, como sapatos ou brinquedos no chão de uma casa bagunçada. Enquanto os controladores cegos de locomotivas tendem a ser mais reativos – se pisarem em algo, eles garantirá que eles não caiam – queríamos que o nosso usasse entrada visual para evitar pisar no obstáculo completamente.”

Para atingir seu objetivo, os pesquisadores adotaram uma nova abordagem de treinamento para fundir uma política de navegação visual de alto nível com uma política de locomoção visual.

Em um artigo aconselhado pelo professor associado de computação interativa Dhruv Batra e pelo professor assistente Sehoon Ha, Kareer, Yokoyama e Truong mostram que sua abordagem de duas políticas simula com sucesso a navegação robótica sobre obstáculos.

Eles chamam sua abordagem de ViNL (Visual Navigation and Locomotion) e, até agora, guiou robôs através de novos ambientes desordenados simulados com uma taxa de sucesso de 72,6%. A equipe apresentará seu artigo, ViNL: Visual Navigation and Locomotion Over Obstacles, na IEEE International Conference on Robotics and Automation, que será realizada de 29 de maio a 2 de junho em Londres.

Ambas as políticas são livres de modelos – o robô aprende em sua própria simulação e não imita nenhum padrão de comportamento pré-existente – e podem ser combinadas sem nenhum co-treinamento adicional.

“Este trabalho combina de forma única políticas separadas de locomoção e navegação de uma maneira zero”, disse Kareer, que junto com Truong é Ph.D. aluno da Escola de Computação Interativa. “Se criarmos uma política de navegação aprimorada, podemos simplesmente pegá-la, sem trabalho extra, e implantá-la em nosso robô. Essa é uma abordagem escalável. Você pode conectar e usar essas coisas juntas com muito pouco ajuste fino. Isso é poderoso.”

A política de navegação visual ensina o robô por meio da motivação para alcançar objetivos. Dá ao robô o objetivo de navegar de um lugar para outro, evitando quaisquer obstáculos. O robô recebe uma pontuação com base no sucesso com que conclui sua tarefa. Se tropeçar em um obstáculo, é penalizado.

“Demos a ele um ambiente com muito poucos obstáculos e depois um pouco mais e um pouco mais”, disse Kareer. “Essa abordagem gradual é útil para seu aprendizado. Quando você simplesmente o joga em um ambiente com um milhão de obstáculos, ele falha muito. Mas se você mostra um ou dois obstáculos e diz: ‘tente aprendê-los’, é muito mais estábulo.”

A política de locomoção ensina o robô a usar seus membros para passar por cima de um objeto, incluindo a que altura ele deve levantar as pernas.

Como um quadrúpede do mundo real só poderá ver o que sua câmera frontal vê, os obstáculos desaparecerão de sua visão à medida que se aproxima deles. A equipe explicou isso incorporando memória e consciência espacial em sua arquitetura de rede para ensinar ao robô exatamente quando e onde ultrapassar o obstáculo.

“O robô tem uma rica compreensão de onde todo o seu membro está em relação aos obstáculos”, disse Kareer. “Quando você o vê andando sobre obstáculos, não é apenas decidir colocar o pé em locais onde não há obstáculos. É lembrar onde todos os obstáculos estão em relação ao seu corpo e manter seus membros fora do caminho até que ele os ultrapasse. .”

E se um obstáculo for muito alto para passar por cima, o robô também pode optar por contorná-lo.

“Vimos que ele era muito bom em navegar e, mesmo nos casos em que pode fazer uma curva errada, sabe que pode voltar atrás e voltar de onde veio”, disse Truong.

Por fim, o grupo ensinou especificamente ao robô quais tipos de objetos ele deveria procurar para passar por cima de uma casa, como brinquedos, e os que ele deveria contornar, como uma cadeira. Isso também ajuda o robô a saber a que altura ele precisará levantar as pernas.

“O importante para a navegação é poder ter a experiência de navegar em casas do mundo real, então treinamos nossa política de navegação com escaneamentos fotorrealistas de apartamentos”, disse Truong. “Usamos varreduras de mais de 1.000 apartamentos para treinamento e avaliamos o robô em cenários nunca antes vistos. Nós o implantamos em um novo ambiente, para que você possa pegar um novo robô, colocá-lo em uma nova casa e será capaz de fazer isso também.”

Os pesquisadores concordam que seu artigo é multifacetado e tem inúmeras implicações que fogem de seu foco, mas ainda assim são importantes. Seu trabalho pode levar os robôs a navegar abertamente ao ar livre, escolhendo caminhos seletivamente com base na preferência do usuário para evitar terreno lamacento ou rochoso.

“Normalmente, importa muito menos como você vai do ponto A ao ponto B”, disse Truong. “Você só precisa saber que o Ponto B é válido. Com a superação de obstáculos, não apenas o Ponto A e o Ponto B precisam ser válidos, mas também como você vai do Ponto A ao Ponto B.”