使用仿真框架研究四足机器人的脊柱行为红瓷

发布时间：2022-06-26 05:08:20

使用仿真框架研究四足机器人的脊柱行为

位于印度班加罗尔的罗伯特·博世（Robert Bosch）网络物理系统中心的研究人员最近提出了一种仿真框架，以系统地研究脊柱关节驱动对四足机器人运动性能的影响。

在arXiv上预先发表的一篇论文中概述的研究中，他们使用此框架研究了称为Stoch 2的四足机器人的脊椎行为及其对边界性能的影响。

“这项研究是在探索四足动物和机器人快速运动的基础时进行的，进行这项研究的研究人员之一Shounak Bhattacharya告诉TechXplore”

众所周知，中小型四足动物使用其脊柱的柔韧性来提高运动速度和能源效率。灵活性的使用启发了机器人专家更详细地探索该概念，并使用可用的数学工具找到了解决该问题的方法。”

与以前的研究人员相反，Bhattacharya和他的同事着手使用机器学习技术来研究四足机器人的脊柱行为。

他们研究的关键目标是使用深度强化学习（D-RL）来实现机器人中脊柱和腿部之间的复杂协调。

Bhattacharya说：“在D-RL框架中，从零开始学习比引入人工指导可以导致更好和更强大的政策。”

“但是，从零开始学习涉及制定工作策略之前的多个初始失败。在这项工作中，需要超过200万个步骤才能获得有效且可用的策略。”

直接在机器人的硬件上进行许多试验需要大量的时间和资源。因此，研究人员决定在PyBullet中模拟机器人及其环境，PyBullet是一个python模块，通过机器人技术和机器学习功能增强了Bullet物理引擎。

在他们的研究中，他们使用PyBullet评估了脊椎关节驱动对Stoch 2（16自由度四足旋转机器人）的边界性能的影响。

“我们在这种环境下对机器人模型进行了训练，并观察到该学习算法在4个小时内执行了一次完整的训练，最多可以执行1000万步，这是在配备12核，3.5 GHz英特尔酷睿i7的PC上执行的，以及32 GB RAM。”

Bhattacharya说。“仿真框架的使用减少了每次培训的时间，并消除了在硬件上进行实验的必要性。”

使用PyBullet作为机器人的学习框架，研究人员获得了非常可观的成果。他们在模拟过程中收集的发现表明，脊柱的主动使用实际上确实改善了机器人的步幅和运输成本，同时也将自然频率降低到了更实际的值。

最终，斯托克2号的包围速度达到2.1 m / s，最大弗洛伊德数为2。

这项研究由印度科学研究所的四名教师监督：Shishir Kolathaya，Ashitava Ghosal，Bharadwaj Amrutur和Shalabh Bhatnagar，是更广泛的项目的一部分，该项目称为“步行机器人”。

将来，它可能会激发其他研究人员使用相同的仿真框架来增强其机器人的脊柱行为和随之而来的运动性能。

Bhattacharya说：“我们通过基于D-RL的框架获得了脊柱和腿部的协调，从而提高了能量效率和四足动物的速度，” Bhattacharya说。

“必须指出的是，所有这些行为都是从头开始获得的，而对脊柱的力学没有任何了解。在我们未来的工作中，我们计划在硬件上部署神经网络，并直接执行所学习的策略。”