Yayınlanan: 18 Mart 2025 / Güncelleme: 18 Mart 2025 - Yazar: Konrad Wolfenstein
Humanoid Ayaklama Kontrolü: Ev sahiplerine kalkmayı öğrenmek-Günlük Yaşam İmarında Robotlar için Atılım: Humanoid-Stdup.github.io
Sadece kalkmaktan daha fazlası: Ev sahibi özerk ve çok yönlü insansı robotların yolunu açar
Simülasyondan Gerçeğe: Ev Sahip Humanoid Robotlar Kendini Çalışanları Nasıl Öğretir?
Makinelerin gittikçe daha fazla insan yeteneklerini taklit ettiği insansı robotiklerin büyüleyici dünyasında, görünüşte basit ama temelde önemli bir beceri merkezi bir rol oynamaktır: kalkmak. Elbette bizim için bir mesele, her gün sayısız kez gerçekleştirdiğimiz bilinçsiz bir hareket. Ancak insansı bir robot için, kalkmak sofistike kontrol, hassas sensörler ve akıllı algoritmaların etkileşimini gerektiren karmaşık bir zorluktur. Bununla birlikte, bu yetenek sadece mühendislik sanatının etkileyici bir gösterisi değil, aynı zamanda insansı robotlar için önemli bir ön koşuldur, günlük yaşamımızdaki yerlerini bulur ve bizi çeşitli sorumluluk alanlarında destekleyebilir.
Farklı pozisyonlardan kalkmak güzel bir ek işlevden çok daha fazlasıdır. İnsansı robotların özerkliği ve çok yönlülüğünün temelidir. Bir robotun hane halkında size yardımcı olması, bakım veya tehlikeli ortamlarda çalışmaya yardımcı olması gerektiğini düşünün. Tüm bu senaryolarda, farklı yerlerden bağımsız olarak kurulma yeteneği çok önemlidir. Sadece ideal başlangıç pozisyonlarında çalışan ve düşerken çaresiz kalan bir robot gerçek dünyada kullanılamaz. Bu nedenle sağlam ve çok yönlü bir stratejinin geliştirilmesi, insansı robotları araştırma laboratuvarından gerçek dünyaya getirmek için önemli bir adımdır.
Bu sorunu çözmek için önceki yaklaşımlar genellikle sınırlarına ulaştı. Birçoğu, kontrollü ortamlarda çalışan, ancak öngörülemeyen gerçeklikteki sınırlarına hızla ulaşan zahmetli bir şekilde önceden programlanmış hareketlere dayanıyordu. Bu sert sistemler esnek değildi, robot beklenmedik bir konuma geldiğinde veya eşit olmayan yüzeylerde olduğunda değişen koşullara uyum sağlayamadı ve sefil bir şekilde başarısız oldu. Diğer yaklaşımlar, sonuçlarının gerçek robotlara aktarılması genellikle zor olan karmaşık simülasyon ortamlarına dayanmaktadır. Simülasyondan gerçeğe sıçrama, sözde “Sim-to-toal transferi”, umut verici birçok araştırma yaklaşımının tökezleyen bloğu olduğu ortaya çıktı.
Bu bağlamda, yenilikçi bir çerçeve, insansı robotları kaldırma konusunda düşünme şeklimizi temelden değiştirebilecek sahneye girer: ev sahibi, insansı ayakta durma kontrolü için kısa. Ana bilgisayar başka bir yöntemden daha fazlasıdır; Bu bir paradigma değişimidir. Asya'daki ünlü üniversiteler konsorsiyumu tarafından geliştirilen , geleneksel yaklaşımlarla ev sahipliği yapıyor ve insansı robotlarla öğretmek için tamamen yeni bir yol alıyor - bir şekilde şaşırtıcı derecede çok yönlü, robust ve gerçekçi.
İçin uygun:
Ev sahibi: Hatalardan öğrenen bir çerçeve
Ev sahibi inovasyonun çekirdeği, insanların ve hayvanların öğrendiklerinden esinlenen bir makine öğrenimi yöntemi olan Takviye Öğrenimi (RL) kullanımında yatmaktadır. Bir çocuğun bisiklet sürmesini öğrettiğinizi hayal edin. Ona her kas hareketi için ayrıntılı talimatlar vermezler, ancak sadece denemesine izin verirler. Çocuk oraya düşerse, bir sonraki girişimde hareketlerini düzeltir. Girişim ve hatalar yoluyla, çocuk yavaş yavaş bisiklete olumlu ve olumsuz geri bildirimlerle ustalaşmayı öğrenir. Takviye öğrenme benzer bir ilkeye göre çalışır.
Ev sahibi durumunda, insansı bir robot simüle edilmiş bir ortama yerleştirilir ve farklı pozisyonlardan kalkma göreviyle karşı karşıya kalır. Robot bu alanda bir “ajan” görevi görür. Bu durumda eklemlerinin ve vücudunun hareketlerini gerçekleştirir. Her kampanya için, ne kadar başarılı olduğuna bağlı olarak bir “ödül” veya “ceza” alır. Eğer kalkarsa, olumlu bir ödül alır. Eğer düşerse veya istenmeyen hareketler yaparsa, olumsuz bir ödül alır. Robot, deneyim kazanmak ve stratejilerinin optimizasyonu elde etmek için sayısız girişim yoluyla yavaş yavaş mümkün olan en iyi stand stratejisini geliştirmeyi öğrenir.
Önceki RL tabanlı yaklaşımlar için belirleyici fark, sunucunun sıfırdan öğrenmesidir. Önceden programlanmış hareketler, insan gösterileri veya diğer önceki bilgiler kullanılmamaktadır. Robot “boş bir sayfa” ile başlar ve tamamen bağımsız olarak stratejilerini geliştirir. Bu temel bir ilerlemedir, çünkü sistemin insan mühendislerinin ortaya çıkabileceği şeylerin çok ötesine geçebilecek çözümler bulmasını sağlar. Buna ek olarak, sistem son derece uyarlanabilir hale getirir, çünkü katı varsayımlara veya insan yanlılığına dayanmaz.
Çok kritik mimarinin büyüsü
Ev sahibi inovasyonun bir başka kalbi çok eleştirel mimaridir. Bunu anlamak için, takviye öğreniminin işleyişi ile kısaca ilgilenmeliyiz. Tipik RL sistemlerinde iki merkezi bileşen vardır: aktüatör ve eleştirmen. Aktüatör, tabiri caizse, eylemleri seçen robotun beynidir, yani hangi hareketlerin gerçekleştirilmesi gerektiğine karar verir. Eleştirmen aktüatörün eylemlerini değerlendirir ve ona geri bildirim verir. Aktüatöre eylemlerinin iyi mi kötü mü olduğunu ve nasıl geliştirilebileceklerini söyler. Geleneksel RL yaklaşımlarında genellikle sadece bir eleştirmen vardır.
Ev sahibi bu kongre ile ara verir ve bunun yerine birkaç özel eleştirmene dayanır. Kalkırken önemli olan farklı yönler olduğunu düşünün: dengeyi tutun, doğru duruşa girin, eklemleri koordine edin, dönen dürtüyü kontrol edin. Bu yönlerin her biri kendi “uzman” ile değerlendirilebilir. Tam olarak çok eleştirel mimariyi yapan şey budur. Host, her biri başlangıç sürecinin belirli bir yönünde uzmanlaşmış birkaç eleştirmen ağı kullanır. Bir eleştirmen, örneğin, dengeyi, diğeri ortak koordinasyonu ve üçüncü bir tarafı döner dürtü için derecelendirebilir.
Özel eleştirmenlere yapılan bu bölümün son derece etkili olduğu kanıtlanmıştır. Geleneksel RL sistemlerinde sıklıkla meydana gelen bir sorunu çözer: negatif parazit. Tek bir eleştirmen karmaşık bir görevin tüm yönlerini aynı anda değerlendirmeye çalışırsa, çatışmalar ve karışıklık ortaya çıkabilir. Çeşitli öğrenme hedefleri birbirini engelleyebilir, öğrenme sürecini yavaşlatabilir veya hatta başarısız olabilir. Çok kritik mimari, öğrenme görevini daha küçük, daha net alt görevlere sökerek ve her kısmi görev için özel bir eleştirmen kullanarak bu sorunu atlar. Aktüatör daha sonra tüm eleştirmenlerden geri bildirim alır ve kalkmanın çeşitli yönlerini en iyi şekilde birleştirmeyi öğrenir.
Bu çok eleştirel mimari, özellikle kalkmanın karmaşık görevi ile ilgilidir. Kalkmak, dengeyi korumak ve düşmemek için çeşitli ince motor becerileri ve döner dürtünün hassas kontrolünü gerektirir. Uzman eleştirmenler aracılığıyla, ev sahibi özellikle kalkmanın bu farklı yönlerini eğitebilir ve optimize edebilir, bu da tek bir eleştirmenle geleneksel yaklaşımlardan önemli ölçüde daha iyi sonuçlara yol açar. Araştırmacılar, çalışmalarında, çok eleştirel mimarinin performansta önemli bir sıçrama sağladığını ve ev sahibinin geleneksel yöntemler kullanılarak ulaşılamayacak stand-up stratejileri geliştirmesini sağladığını gösterdiler.
Müfredat Öğrenimi: Basitten Komplekse
Ev sahibinin başarısının bir diğer anahtarı da müfredat bazlı eğitimdir. Bu yöntem, basit temel bilgilerden başlayıp yavaş yavaş bize kadar çalıştığımız karmaşık becerileri yavaş yavaş öğrendiğimiz insan öğrenme sürecine dayanmaktadır. Bisiklete binme örneğini düşünün. Bir çocuk iki tekerleğe gitmeyi öğrenmeden önce, dengenizi bir pervane üzerinde tutmayı veya destek bisikletleriyle sürmeyi öğrenebilir. Bu hazırlık egzersizleri daha sonraki öğrenme sürecini kolaylaştırır ve daha hızlı ve daha başarılı bir ilerleme sağlar.
Ev sahibi benzer bir prensip uyguladı. Robot, en başından beri en zor görevle karşılaşmaz, yani herhangi bir yüzeyde herhangi bir pozisyondan kalkmak için. Bunun yerine, görevlerin kademeli olarak daha karmaşık hale geldiği kademeli bir müfredata maruz kalır. Eğitim basit senaryolarla başlar, örneğin düz zemindeki yalancı bir pozisyondan kalkar. Robot bu göreve iyi hakim olur olmaz, koşullar yavaş yavaş zorlaşır. Oturmuş bir pozisyondan veya bir duvarda uzanmanın nasıl kalkacağına dair yeni başlangıç pozisyonları vardır. Yüzey, düz topraktan biraz eşit olmayan yüzeylere, daha zorlu arazilere kadar da değişir.
Bu müfredat bazlı eğitimin çeşitli avantajları vardır. Bir yandan, çözüm alanının daha verimli bir şekilde araştırılmasını sağlar. Robot başlangıçta kalkmanın temel yönlerine odaklanır ve basit senaryolarda ustalaşmayı öğrenir. Bu öğrenme sürecini hızlandırır ve robot iyi bir performansa daha hızlı ulaşır. Öte yandan, müfredat modelin genellemesini geliştirir. Robotla kademeli olarak daha çeşitli ve karmaşık görevlerle yüzleşerek, farklı durumlara uyum sağlamayı ve sadece ideallerde değil, aynı zamanda gerçek ortamlarda da çalışan sağlam stratejiler geliştirmeyi öğrenir. Eğitim koşullarının çeşitliliği, öngörülemeyen yüzeylerin ve başlangıç pozisyonlarının istisna değil kural olduğu gerçek dünyada sistemin sağlamlığı için çok önemlidir.
İçin uygun:
Hareket kısıtlamaları yoluyla gerçeklik
Ev sahibinin bir diğer önemli yönü de gerçek uygulanabilirlik dikkate almaktır. Simülasyonlar robotları eğitmek için güçlü bir araçtır, ancak gerçek dünya eşitsiz daha karmaşık ve öngörülemez. Simülasyondan gerçeğe sıçrama başarılı bir şekilde ustalaşabilmek için Host, öğrenilen stratejilerin gerçek donanıma da uygulanabilmesini ve robota zarar vermemesini sağlayan iki önemli kısıtlama uygular.
İlk kısıtlama pürüzsüzlük düzenlemesidir. Bu salınım hareketlerini azaltmayı amaçlamaktadır. Simülasyonlarda, robotlar gerçekte sorunlu olacak hareketleri yapabilir. Örneğin, fiziksel donanıma zararlı olabilecek veya kararsız davranışlara yol açabilecek sarsıntılı, titreyen hareketler yapabilirler. Pürüzsüzlük düzenlemesi, öğrenilen hareketlerin daha pürüzsüz ve sıvı olmasını sağlar, bu sadece donanım için daha yumuşak değildir, aynı zamanda daha doğal ve istikrarlı bir ayakta durma davranışına yol açar.
İkinci kısıtlama örtük hareket hızı sınırıdır. Bu çok hızlı veya ani hareketleri önler. Burada da simülasyonlar genellikle robotların gerçekçi olmayan yüksek hızlara sahip hareketler yapabileceği idealize edilmiş koşulları temsil eder. Bununla birlikte, gerçek dünyada, bu tür ani hareketler, örneğin motorları aşırı yüklemeye veya eklemlere zarar vermeye robotun hasar görmesine yol açabilir. Hareket hızı sınırı, öğrenilen hareketlerin gerçek donanımın fiziksel sınırları dahilinde kalmasını ve robotu tehlikeye atmamasını sağlar.
Hareket üzerindeki bu kısıtlamalar, SIM-toal transferi için çok önemlidir. Simülasyonda öğrenilen stratejilerin sadece teorik olarak değil, aynı zamanda donanıma aşırı yüklemeden veya zarar vermeden pratik olarak gerçek robotlara uygulanabilmesini sağlarlar. Simülasyon ve gerçeklik arasındaki boşluğu kapatmak ve insansı robotları gerçek dünyada kullanıma hazırlamak için önemli bir adımdır.
Pratik Test: Unitree G1'e ana bilgisayar
Her robot kontrol yöntemi için gerçek test, gerçek donanım üzerinde pratik uygulamadır. Ev sahibinin performansını göstermek için araştırmacılar, simülasyonda öğrenilen kontrol stratejilerini Unitree G1 insansı robotuna aktardılar. Intree G1, çevikliği, sağlamlığı ve gerçekçi yapısı ile karakterize edilen gelişmiş bir insansı platformdur. Gerçek dünyada ev sahibi becerilerini değerlendirmek için ideal bir test yatağıdır.
Pratik testlerin sonuçları etkileyiciydi ve konakçı yaklaşımın etkinliğini doğruladı. Ana bilgisayar tarafından kontrol edilen inthere G1 robotu, çok çeşitli pozisyonlardan dikkate değer etki yetenekleri gösterdi. Yalan konumundan, oturmuş bir pozisyondan, dizlerden ve hatta nesnelere yaslandığı veya düzensiz yüzeyde olduğu pozisyonlardan başarılı bir şekilde kalkabildi. Simüle edilmiş becerilerin gerçek dünyaya iletilmesi neredeyse pürüzsüzdü, bu da SIM-GERÇEKTEN aktarımın yüksek kalitesinin altını çizdi.
Özellikle dikkat çekici olan, konakçı kontrollü Unitree G1'in gösterdiği bozuklukların sağlamlığıdır. Deneysel testlerde, robot dış kuvvetlerle, örneğin yumrular veya darbelerle karşı karşıya kaldı. Onu engelleyen engellerle karşı karşıya kaldı. Hatta stabilitesini ve yükleme kapasitesini test etmek için ağır yükler (12 kg'a kadar) bile yüklendi. Tüm bu durumlarda, robot dikkate değer bir direnç gösterdi ve dengeyi kaybetmeden veya devirmeden başarılı bir şekilde kurulabildi.
Etkileyici bir gösteri videosunda, ev sahibinin sağlamlığı özellikle netleşti. Orada bir kişinin başlangıç işlemi sırasında Unitree G1 robotuna nasıl çarptığını görebilirsiniz. Bu büyük bozukluklara rağmen, robot çıkarılamadı. Hareketlerini gerçek zamanlı olarak düzeltti, beklenmedik etkileri uyarladı ve sonunda güvenli ve istikrarlı bir şekilde ayağa kalktı. Bu gösteri, gerçek, öngörülemeyen ortamlarda ana bilgisayar sisteminin pratik uygulanabilirliğini ve güvenilirliğini etkileyici bir şekilde göstermektedir.
İçin uygun:
Ablasyon Çalışmaları: Bileşenlerin etkileşimi
Konakçıların bireysel bileşenlerinin önemini daha kesin olarak incelemek için araştırmacılar kapsamlı ablasyon çalışmaları gerçekleştirdiler. Bu çalışmalarda, genel performans üzerindeki etkilerini analiz etmek için ana bilgisayar çerçevelerinin bireysel unsurları kaldırıldı veya değiştirildi. Bu çalışmaların sonuçları, ev sahiplerinin işleyişine ilişkin değerli bilgiler sağlamıştır ve merkezi yeniliklerin önemini doğrulamıştır.
Ablasyon çalışmalarının merkezi bir sonucu, çok eleştirel mimarinin belirleyici rolünü teyit etmekti. Araştırmacılar sistemi sadece tek bir eleştirmen kullanacak şekilde değiştirdiklerinde, sistem zavallı bir şekilde başarısız oldu. Artık başarılı riskler öğrenemedi ve robot çoğu durumda çaresiz kaldı. Bu sonuç, ev sahibinin performansı için çok eleştirel mimarinin merkezi öneminin altını çizmektedir ve uzmanlaşmış eleştirmenlerin aslında öğrenme başarısına önemli bir katkı sağladığını doğrulamaktadır.
Müfredata dayalı eğitim, ablasyon çalışmalarında da önemli bir başarı faktörü olduğu kanıtlanmıştır. Araştırmacılar müfredatı zorlukta kademeli bir artış olmadan rastgele eğitim ile değiştirdiğinde, sistemin performansı bozuldu. Robot daha yavaş öğrendi, daha düşük bir performans seviyesine ulaştı ve çeşitli başlangıç pozisyonlarına ve substratlara kıyasla daha az sağlamdı. Bu, müfredata dayalı eğitimin öğrenme sürecinin verimliliğini artırdığı ve modelin genelleştirilmesini artırdığı varsayımını doğrular.
Uygulanan hareket kısıtlamaları, özellikle pratik uygulanabilirlik açısından toplam çıktıya önemli ölçüde katkıda bulunmuştur. Araştırmacılar pürüzsüzlük düzenlemesini ve hareket hızı sınırını kaldırdıklarında, robot hala simülasyonda öğrendi, ancak gerçekte daha az kararlıydılar ve daha sık düşmesine veya istenmeyen, sarsıntılı hareketlere yol açmasına neden oldular. Bu, hareket üzerindeki kısıtlamaların simülasyondaki sistemin esnekliğini hafifçe kısıtladığını, ancak sağlam, güvenli ve donanım dostu davranış sağlamak için gerçek dünyada gerekli olduğunu göstermektedir.
Ev sahibi: Çok yönlü insansı robotlar için bir sıçrama tahtası
Farklı pozisyonlardan kalkma yeteneği ilk bakışta önemsiz görünebilir, ancak aslında çok yönlü ve otonom insansı robotların geliştirilmesi için temel bir bulmaca parçasıdır. Daha karmaşık hareket ve manipülasyon sistemlerine entegrasyonun temelidir ve çeşitli yeni uygulamalar açar. Bir robotun sadece kalkabileceğini değil, aynı zamanda farklı görevler arasında sorunsuz bir şekilde hareket edebileceğini düşünün - kanepeden kalkın, masaya gidin, nesneler alın, engellerden kaçının ve tökezlediğinde kalkın. Elbette bizim insanlar için bir mesele olan çevre ile bu tür sorunsuz etkileşim, insansı robotiklerin amacıdır ve ev sahibi bize bu hedefe daha yakın bir adım daha yaklaştırır.
Konakçı, gelecekte insan formlarının ve insan çevresi ile etkileşim kurma yeteneklerinin avantajlı olduğu çeşitli alanlarda ev sahibi ile kullanılabilir. Hemşirelikte, yaşlı veya hasta insanları destekleyebilir, kalkmalarına ve oturmalarına, yeterli nesneye yardım edebilir veya hane halkına yardımcı olabilirler. Servis alanında, otellerde, restoranlarda veya mağazalarda müşterileri işletmek, mal taşımak veya bilgi sağlamak için kullanılabilirler. Afet yardımları veya endüstriyel tesislerde tehlikeli ortamlarda, insanlar için çok riskli veya çok yorucu olan görevleri üstlenebilirler.
Buna ek olarak, kalkma yeteneği de inatçı üretim için gereklidir. Düşmeler, özellikle düzensiz veya dinamik ortamlarda insansı robotlarla yaygın bir sorundur. Bir düşüşten sonra bağımsız olarak kalkamayan bir robot, bu tür ortamlarda hızla çaresizdir. Ev sahibi burada bir çözüm sunar, çünkü robotun beklenmedik yerlerden yeniden görünmesini ve görevine devam etmesini sağlar. Bu, insansı robotların güvenilirliğini ve güvenliğini arttırır ve onları daha sağlam ve daha pratik araçlar haline getirir.
Ev sahibi yeni nesil insansı robotların yolunu açar
Ana bilgisayar mevcut yöntemlerin daha da geliştirilmesinden daha fazlasıdır; İnsansı robotların kontrolünde önemli bir atılımdır. Takviye öğreniminin çok eleştirel mimari ve müfredat tabanlı eğitim ile yenilikçi kullanımı yoluyla, önceki yaklaşımların kısıtlamalarının üstesinden gelir ve robotların dikkat çekici çeşitli pozisyonlardan ve çok çeşitli yüzeylerde durmasını sağlar. Simülasyondan gerçek robota başarılı bir şekilde aktarım, Unitre G1'i gösterir ve bozukluklara yönelik etkileyici sağlamlık, bu yöntemin pratik uygulamalar için muazzam potansiyelinin altını çizer.
Ev sahibi, sadece laboratuvarda etkilemekle kalmayıp aynı zamanda gerçek dünyada gerçek katma değer sunabilen insansı robotlara giden yolda önemli bir adımdır. Bizi insansı robotların günlük yaşamımıza sorunsuz bir şekilde entegre edildiği, çeşitli görevlerde bizi desteklediği ve hayatımızı daha rahat, daha rahat ve verimli hale getirdiği bir geleceğin vizyonuna yaklaştırıyor. Ev sahibi gibi teknolojilerle, günlük yaşamımızda bize eşlik eden bir zamanlar fütüristik insansı robot fikri gittikçe daha somut bir gerçeklik haline geliyor.
İçin uygun:
Küresel pazarlama ve iş geliştirme ortağınız
☑️İş dilimiz İngilizce veya Almancadır
☑️ YENİ: Ulusal dilinizde yazışmalar!
Konrad Wolfenstein
Size ve ekibime kişisel danışman olarak hizmet etmekten mutluluk duyarım.
iletişim formunu doldurarak benimle iletişime geçebilir +49 89 89 674 804 (Münih) numaralı telefondan beni arayabilirsiniz . E-posta adresim: wolfenstein ∂ xpert.digital
Ortak projemizi sabırsızlıkla bekliyorum.
