Der Laufroboter Anymal hat erfolgreich die Schulbank gedrückt. ETH-Forschende brachten ihm mit maschinellem Lernen neue F?higkeiten bei. Der Roboter klettert nun über Hindernisse und überwindet Fallgruben.
In Kürze
- Der Laufroboter Anymal lernt maschinell – wie ein Kind durch Versuch und Irrtum. Damit hat er sich nun Parkour beigebracht.
- Mithilfe einer Kamera und eines künstlichen neuronalen Netzwerks erkennt und überwindet er Hindernisse.
- Durch die Kombination mit klassischer Regelungstechnik kann er sich sogar in unwegsamem Gel?nde bewegen.
Den steinigen Untergrund auf Schweizer Wanderwegen meistert der Laufroboter Anymal l?ngst. Forschende der ETH Zürich haben ihm nun neue F?higkeiten beigebracht: Der Roboter schl?gt sich jetzt hervorragend in Parkour, der Trendsportart, bei der es darum geht, Hindernisse im urbanen Raum mit athletischen Bewegungen geschmeidig zu überwinden. Auch in unwegsamem Gel?nde wie auf einer Baustelle oder in einem Katastrophengebiet kommt Anymal nun gut zurecht.
Um dem Laufroboter diese F?higkeiten beizubringen, verfolgten zwei Teams aus der Gruppe von Marco Hutter, Professor am Departement Maschinenbau und Verfahrenstechnik, unterschiedliche Ans?tze.
Die mechanischen M?glichkeiten ausgereizt
In einem der Teams arbeitet ETH-Doktorand Nikita Rudin, der in seiner Freizeit Parkour betreibt. ?Bevor wir mit dem Projekt begannen, waren einige meiner Forscherkollegen der Meinung, bei der Entwicklung von Laufrobotern sei bereits alles erreicht worden?, erz?hlt er. ?Ich hielt dagegen. Denn ich war davon überzeugt, dass mit der Mechanik von Laufrobotern noch viel mehr m?glich ist.?
Mit seinen eigenen Parkour-Erfahrungen im Hinterkopf versuchte er, die M?glichkeiten von Anymal noch weiter auszureizen. Dies gelang ihm, indem er dem Laufroboter durch maschinelles Lernen neue Skills beibrachte. Anymal kann nun Hindernisse erklimmen und mit dynamischen Bewegungen wieder von ihnen herunterspringen.
Anymal lernte dabei ?hnlich wie ein Kind durch Versuch und Irrtum. Steht Anymal nun vor einem Hindernis, erkennt er mithilfe einer Kamera und eines künstlichen neuronalen Netzwerks, welche Art von Hindernis er überwinden muss. Dann führt er die Bewegungen aus, die er zuvor im Training dafür als erfolgversprechend gelernt hat.
Ist damit das technisch Machbare ausgereizt? Für die einzelnen neu erlernten Skills sei das weitgehend der Fall, sagt Rudin. Trotzdem seien noch viele Fortschritte m?glich. Zum Beispiel, wenn der Laufroboter nicht nur vordefinierte Aufgaben l?sen muss, sondern sich generell in schwierigem Gel?nde bewegen soll, etwa in einem Trümmerfeld.
Kombination mit klassischer Technik
Den Laufroboter für genau solche Anwendungen fit zu machen, war das Ziel eines anderen Projekts von Rudins Kollegen Fabian Jenelten. Der ETH-Doktorand verliess sich dabei nicht allein auf maschinelles Lernen, sondern kombinierte es mit einem bekannten Ansatz der Regelungstechnik, der sogenannten modellbasierten Regelung. Schwierig zu lernende Grundbewegungen wie zum Beispiel das Erkennen und ?berwinden von Bodenvertiefungen in einem Trümmerfeld k?nnen einem Roboter so leichter beigebracht werden. Das maschinelle Lernen wiederum hilft dem Roboter Bewegungsmuster so zu lernen, dass er sie in unvorhergesehenen Situationen flexibel anwenden kann. ?Durch die Kombination beider Ans?tze k?nnen wir das Maximum aus Anymal herausholen?, sagt Jenelten.
So gelingt es dem Laufroboter nun besser, auf rutschigem Untergrund oder instabilen Ger?llbl?cken sicheren Halt zu finden. Bald soll er auch auf Baustellen eingesetzt werden oder überall dort, wo es für Menschen zu gef?hrlich ist: zum Beispiel um ein verfallenes Haus in einem Katastrophengebiet zu inspizieren.
Literaturhinweise
Hoeller D, Rudin N, Sako D, Hutter M: ANYmal Parkour: Learning Agile Navigation for Quadrupedal Robots, Science Robotics, 13. M?rz 2024, doi: externe Seite10.1126/scirobotics.adi7566
Jenelten F, He J, Farshidian F, Hutter M: DTC: Deep Tracking Control. Science Robotics 2024, 17: eadh5401, doi: externe Seite10.1126/scirobotics.adh5401