Interviu su Jeanu Pierre’u Sleimanu, straipsnio „Įvairus kelių kontaktų planavimas ir valdymas, skirtas manipuliuoti kojomis“ autoriumi.

Turėjome galimybę pakalbinti Jeaną Pierre’ą Sleimaną, neseniai paskelbtą dokumentą „Įvairus daugiakontaktis planavimas ir valdymas, skirtas manipuliuoti kojomis“. Mokslo robotika.

Kokia tyrimo tema jūsų darbe?
Tyrimo tema sutelkta į modeliu pagrįstos planavimo ir valdymo architektūros kūrimą, leidžiančią kojoms mobiliems manipuliatoriams spręsti įvairias lokomopuliacijos problemas (ty manipuliavimo problemas, susijusias su judėjimo elementu). Mūsų tyrimas buvo skirtas konkrečiai užduotims, kurioms reikia išspręsti kelias kontaktines sąveikas, o ne pasirinkti ir įdėti programas. Siekdami užtikrinti, kad mūsų požiūris neapsiribotų modeliavimo aplinka, jį pritaikėme sprendžiant realaus pasaulio užduotis su kojų sistema, kurią sudaro keturkampė platforma ANYmal, aprūpinta DynaArm, pagal užsakymą pagaminta 6-DoF robotine ranka.

Ar galėtumėte papasakoti apie savo tyrimo pasekmes ir kodėl tai yra įdomi studijų sritis?
Tyrimą lėmė noras sukurti tokius robotus, būtent mobiliuosius manipuliatorius su kojomis, galinčius išspręsti įvairias realaus pasaulio užduotis, tokias kaip durų perėjimas, indaplovių atidarymas / uždarymas, vožtuvų valdymas pramoninėje aplinkoje ir kt. Standartinis metodas būtų buvęs kiekvieną užduotį spręsti atskirai ir nepriklausomai, skiriant daug inžinerinių pastangų norimam elgesiui sukurti:

Tai paprastai pasiekiama naudojant sunkiai užkoduotas būsenos mašinas, kuriose dizaineris nurodo papildomų tikslų seką (pvz., suimti durų rankeną, atidaryti duris norimu kampu, laikyti duris viena iš kojų, perkelkite rankeną į kitą durų pusę, praeikite pro duris jas uždarydami ir pan.). Arba žmonių ekspertas gali parodyti, kaip išspręsti užduotį, nuotoliniu būdu valdydamas robotą, užfiksuodamas jo judesį ir leisdamas robotui išmokti imituoti įrašytą elgesį.

Tačiau šis procesas yra labai lėtas, varginantis ir linkęs į inžinerinio projektavimo klaidas. Siekiant išvengti šios naštos atliekant kiekvieną naują užduotį, tyrime buvo pasirinktas labiau struktūrizuotas požiūris – vienas planuotojas, galintis automatiškai atrasti reikiamą elgesį įvairioms lokomopuliacijos užduotims atlikti, nereikalaujant jokių išsamių nurodymų. .

Ar galėtumėte paaiškinti savo metodiką?
Pagrindinė mūsų metodikos įžvalga buvo ta, kad visos lokomopuliacijos užduotys, kurias siekėme išspręsti, gali būti modeliuojamos kaip užduočių ir judesių planavimo (TAMP) problemos. TAMP yra nusistovėjusi sistema, kuri pirmiausia buvo naudojama nuoseklioms manipuliavimo problemoms spręsti, kai robotas jau turi primityvių įgūdžių rinkinį (pvz., pasirinkti objektą, padėti objektą, pereiti prie objekto, mesti objektą ir pan.), bet vis tiek turi. tinkamai juos integruoti sprendžiant sudėtingesnes ilgo horizonto užduotis.

Ši perspektyva leido mums sukurti vieną dviejų lygių optimizavimo formuluotę, kuri gali apimti visas mūsų užduotis ir panaudoti konkrečios srities žinias, o ne konkrečios užduoties žinias. Sujungę tai su nusistovėjusiomis skirtingų planavimo metodų privalumais (trajektorijos optimizavimas, informuota grafiko paieška ir atranka pagrįstas planavimas), galėjome pasiekti veiksmingą paieškos strategiją, kuri išsprendžia optimizavimo problemą.

Pagrindinė techninė naujovė mūsų darbe yra Neprisijungęs kelių kontaktų planavimo modulispavaizduotas B modulis iš 1 pav popieriuje. Bendrą jo sąranką galima apibendrinti taip: Pradedant nuo vartotojo apibrėžto roboto galutinių efektų rinkinio (pvz., priekinės kairės pėdos, priekinės dešinės pėdos, griebtuvo ir kt.) ir objekto galimybių (jie aprašo, kur robotas gali sąveikauti su objektas), įvedama diskreti būsena, fiksuojanti visų kontaktų porų derinį. Atsižvelgiant į pradžios ir tikslo būseną (pvz., robotas turėtų atsidurti už durų), kelių kontaktų planuotojas išsprendžia vienos užklausos problemą, palaipsniui augindamas medį per dviejų lygių paiešką pagal galimus kontakto režimus kartu su nuolatiniu robotu. -objektų trajektorijos. Gautas planas patobulintas vienu ilgo horizonto trajektorijos optimizavimu per aptiktą kontaktų seką.

Kokie buvo jūsų pagrindiniai atradimai?
Mes nustatėme, kad mūsų planavimo sistema sugebėjo greitai atrasti sudėtingus kelių kontaktų planus įvairioms manipuliavimo vietomis užduotims atlikti, nepaisant to, kad jai buvo suteikta minimali rekomendacija. Pavyzdžiui, durų aplenkimo scenarijuje nurodome durų apimtį (ty rankeną, galinį paviršių ir priekinį paviršių) ir pateikiame tik nedidelį objektą, tiesiog paprašydami roboto atsidurti už durų. Be to, mes nustatėme, kad sugeneruotas elgesys yra fiziškai nuoseklus ir gali būti patikimai vykdomas naudojant tikrą mobilųjį manipuliatorių.

Kokius tolesnius darbus planuojate šioje srityje?
Mes matome pateiktą sistemą kaip žingsnį kuriant visiškai autonominį lokomopuliavimo vamzdyną. Tačiau matome tam tikrus apribojimus, kuriuos stengiamės pašalinti būsimame darbe. Šie apribojimai pirmiausia yra susiję su užduoties vykdymo faze, kai iš anksto sumodeliuotų aplinkų pagrindu sukurtas elgsenos stebėjimas yra perspektyvus tik darant prielaidą, kad aprašymas yra pakankamai tikslus, o jį apibrėžti ne visada paprasta.

Modeliavimo neatitikimų patikimumas gali būti gerokai pagerintas papildant planuotoją duomenimis pagrįstomis technikomis, pvz., giluminiu mokymu (DRL). Taigi viena įdomi ateities darbo kryptis būtų vadovautis tvirtos DRL politikos mokymu, naudojant patikimus ekspertų demonstravimus, kuriuos gali greitai sugeneruoti mūsų lokomopuliacijų planuotojas, kad būtų galima išspręsti sudėtingas užduotis su minimaliu atlygio inžinerija.

Apie autorę

Jeanas-Pierre’as Sleimanas 2016 m. įgijo mechanikos inžinerijos BE laipsnį Amerikos Beiruto universitete (AUB), Libanas, o 2018 m. Politecnico Di Milano (Italija) įgijo automatikos ir valdymo magistro laipsnį. Šiuo metu jis yra mokslų daktaras. D. kandidatas į Robotikos sistemų laboratoriją (RSL), ETH Ciurichas, Šveicarija. Dabartiniai jo mokslinių tyrimų interesai apima optimizavimu pagrįstą planavimą ir valdymą, skirtą manipuliavimui mobiliuoju telefonu.