Nos últimos anos, os roboticistas desenvolveram robôs móveis com uma ampla gama de anatomias e capacidades. Uma classe de sistemas robóticos que se mostrou particularmente promissora para navegar em ambientes não estruturados e dinâmicos são os robôs com pernas (ou seja, robôs com duas ou mais pernas que geralmente se assemelham a animais).
Embora os robôs com pernas sejam sistemas muito promissores, controlar de maneira confiável seus movimentos ou locomoção pode ser um desafio. Enquanto algumas equipes criaram controladores de locomoção manualmente, outras tentaram programá-los automaticamente, usando algoritmos de aprendizado de máquina. Projetá-los automaticamente pode ser vantajoso, mas normalmente envolve o treinamento de algoritmos de aprendizado de máquina por longos períodos de tempo.
Mathias Thor e Poramate Manoonpong, dois pesquisadores do Instituto Mærsk Mc-Kinney Møller da Universidade do Sul da Dinamarca, desenvolveram recentemente uma abordagem alternativa para treinar controladores para a locomoção de robôs com pernas. Essa abordagem, apresentada em um artigo publicado na Nature Machine Intelligence, pode ser usada para atingir comportamentos de locomoção de complexidade variável em curtos períodos de tempo.
“Nosso artigo foi baseado em um trabalho anterior meu, onde usei geradores de padrão central (CPGs) para controle de locomoção de robôs com pernas”, disse Mathias Thor, um dos pesquisadores que realizaram o estudo, ao TechXplore. “O principal objetivo deste novo estudo foi mostrar que um controlador de locomoção pode ser simples e compreensível, mas capaz de gerar comportamentos complexos de locomoção”.
O novo e flexível controlador desenvolvido por Thor e Manoonpong é baseado em um gerador de padrão central artificial (CPG) de inspiração biológica e uma rede neural pré-motora. GPGs são circuitos neurais biológicos que permitem que os animais se movam naturalmente em padrões rítmicos, resultando em comportamentos como respirar, andar, voar e nadar. Muitos cientistas da computação têm tentado recentemente replicar esses sistemas biológicos em máquinas, para permitir diferentes tipos de locomoção de robôs.
“O CPG gera um sinal rítmico para os motores seguirem, e a rede neural pré-motora remodela a saída do CPG para alto desempenho”, explicou Thor. “A remodelação é baseada na morfologia do robô e no feedback sensorial. As principais vantagens de nossa abordagem de controle são que ele aprende rapidamente e é compreensível e modular.”
Como parte de seu estudo, os pesquisadores avaliaram sua abordagem em um robô físico real com seis pernas, chamado MORF. Em seus testes, eles descobriram que alcançou resultados notáveis, produzindo os comportamentos de locomoção que eles almejavam após tempos de treinamento muito curtos.
A nova abordagem também é altamente flexível e adaptável, pois permite que os desenvolvedores adicionem facilmente novos módulos específicos de comportamento, produzindo comportamentos de locomoção cada vez mais complexos. No futuro, ele poderá ser usado por roboticistas e cientistas da computação em todo o mundo para treinar rapidamente uma ampla variedade de robôs com pernas para navegar em seus arredores de maneiras novas e eficazes.
“Ao usar nossa abordagem, os controladores de locomoção não precisam ser complexos ou treinar por muitas horas ou dias”, acrescentou Thor. “Pelo contrário, locomoção complexa pode surgir de muitos módulos simples atuando em paralelo. Como o controlador pode aprender novos comportamentos em menos de 30 minutos, queremos aprender os comportamentos de locomoção diretamente em um robô com pernas do mundo real, em vez de um simulado. .”
Publicado em 17/03/2022 09h29
Artigo original:
Estudo original: