使用模拟框架研究四足机器人的脊柱行为

罗伯特博世印度班加罗尔网络物理系统中心的研究人员最近提出了一个模拟框架，系统地研究脊柱关节致动对四足机器人运动性能的影响。在他们的研究中，在一篇预先发表在arXiv上的论文中，他们使用这个框架来研究一个名为Stoch 2的四足机器人的脊柱行为及其对其边界性能的影响。

“这项研究是在探索四足动物和机器人快速运动的基础时发现的，进行这项研究的研究人员之一Shounak Bhattacharya告诉TechXplore。”它已经有一段时间了解中小型四足动物利用脊柱的灵活性来提高其运动速度和能量效率。这种灵活性的使用激发了机器人专家更详细地探索这个概念，以便使用现有的数学工具找到解决这个问题的方法。“

与之前的研究人员相反，Bhattacharya和他的同事开始使用机器学习技术研究四足机器人的脊柱行为。他们研究的主要目标是使用深度强化学习(D-RL)来实现机器人中脊柱和腿之间的复杂协调。

Bhattacharya说：“在D-RL框架中，从头开始学习可以产生比人类指导更好更强大的政策。” “然而，在生成工作策略之前，从头开始学习会涉及多个初始失败。在这项工作中，在获得有效且可用的策略之前，需要超过200万个步骤。”

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来评估脊柱关节致动对16-DOF四足旋转机器人Stoch 2的边界性能的影响。

“我们在这种环境中训练了机器人模型，观察到学习算法在一台由英特尔酷睿i7(3.5Ghz，12核)驱动的PC上，在4小时内执行了一次完整的训练，当时最多执行1000万步和32 GB RAM，“Bhattacharya说。“模拟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作为其机器人的学习框架，研究人员获得了非常有希望的结果。他们在模拟过程中收集的结果表明，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更实际的值。最终，Stoch 2的边界速度达到2.1 m / s，最大弗劳德数为2。

这项研究由印度科学院的四名教师监督：Shishir Kolathaya，Ashitava Ghosal，Bharadwaj Amrutur和Shalabh Bhatnagar，是一个名为步行机器人的更广泛项目的一部分。在未来，它可以激励其他研究人员使用相同的模拟框架来增强他们的机器人的脊柱行为和随之而来的运动表现。

“我们通过基于D-RL的框架获得了脊柱和腿部的协调，这提高了四足动物的能量效率和速度，”Bhattacharya说。“必须注意的是，所有这些行为都是从头开始获得的，而不了解脊柱的力学。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学习的策略。”

标签： 四足机器人