Forskare från ETH Zürich under ledning av Marco Hutter utvecklade en ny kontrollmetod som gör att en robot med ben, kallad ANYmal, kan röra sig snabbt och robust över svår terräng. Tack vare maskininlärning kan roboten för första gången kombinera sin visuella uppfattning av miljön med sin känsel.

Branta partier på halt underlag, höga trappsteg, ras och skogsstigar fulla av rötter:stigen uppför det 1 098 meter höga berget Etzel i södra änden av Zürichsjön är full av många hinder. Men ANYmal, fyrfotsroboten från Robotic Systems Lab vid ETH Zürich, övervinner de 120 vertikala metrarna utan ansträngning på en 31 minuters vandring. Det är fyra minuter snabbare än den beräknade varaktigheten för mänskliga vandrare – och utan fall eller felsteg.

Detta möjliggörs av en ny styrteknik, som forskare vid ETH Zürich ledd av robotteknikprofessor Marco Hutter nyligen presenterade i tidskriften Science Robotics . "Roboten har lärt sig att kombinera visuell uppfattning av sin miljö med proprioception - dess känsel - baserat på direkt benkontakt. Detta gör att den kan ta sig an ojämn terräng snabbare, mer effektivt och framför allt mer robust", säger Hutter. I framtiden kan ANYmal användas var som helst som är för farlig för människor eller för oframkomlig för andra robotar.

Uppfatta miljön korrekt

För att navigera i svår terräng kombinerar människor och djur helt automatiskt den visuella uppfattningen av sin omgivning med proprioceptionen av sina ben och händer. Detta gör att de enkelt kan hantera halt eller mjuk mark och röra sig med självförtroende, även när sikten är låg. Hittills har robotar med ben kunnat göra detta endast i begränsad utsträckning.

"Anledningen är att informationen om den omedelbara miljön som registreras av lasersensorer och kameror ofta är ofullständig och tvetydig", förklarar Takahiro Miki, doktorand i Hutters grupp och huvudförfattare till studien. Till exempel framstår högt gräs, grunda vattenpölar eller snö som oöverstigliga hinder eller är delvis osynliga, även om roboten faktiskt skulle kunna korsa dem. Dessutom kan robotens sikt skymmas i fält av svåra ljusförhållanden, damm eller dimma.

"Det är därför robotar som ANYmal måste kunna bestämma själva när de ska lita på den visuella uppfattningen av sin omgivning och gå snabbt framåt, och när det är bättre att gå försiktigt och med små steg," säger Miki. "Och det är den stora utmaningen."

Ett virtuellt träningsläger

Tack vare en ny styrenhet baserad på ett neuralt nätverk kan den beniga roboten ANYmal, som utvecklades av ETH Zürich-forskare och kommersialiseras av ETH-spin-off ANYbotics, nu för första gången kombinera extern och proprioceptiv perception. Innan roboten kunde testa sin förmåga i den verkliga världen, exponerade forskarna systemet för många hinder och felkällor i ett virtuellt träningsläger. Detta låter nätverket lära sig det perfekta sättet för roboten att övervinna hinder, liksom när den kan förlita sig på miljödata – och när det är bättre att ignorera dessa data.

"Med den här träningen kan roboten bemästra den svåraste naturliga terrängen utan att ha sett den tidigare", säger professor Hutter vid ETH Zürich. Detta fungerar även om sensordatan för den närmaste miljön är tvetydig eller vaga. ANYmal spelar sedan säkert och förlitar sig på dess proprioception. Enligt Hutter tillåter detta roboten att kombinera det bästa av två världar:hastigheten och effektiviteten hos extern avkänning och säkerheten för proprioceptiv avkänning.

Använd under extrema förhållanden

Oavsett om det är efter en jordbävning, efter en kärnkraftskatastrof eller under en skogsbrand, kan robotar som ANYmal användas i första hand där det är för farligt för människor och där andra robotar inte klarar av den svåra terrängen.

I september förra året kunde ANYmal visa hur väl den nya styrtekniken fungerar vid DARPA Subterranean Challenge, världens mest kända robottävling. ETH Zürich-roboten övervann automatiskt och snabbt många hinder och svår terräng samtidigt som den självständigt utforskade ett underjordiskt system av smala tunnlar, grottor och urban infrastruktur. Detta var en stor del av varför ETH Zürich-forskarna, som en del av CERBERUS-teamet, tog förstaplatsen med ett pris på 2 miljoner dollar.