Zusammenfassung: Die Forscher nutzten Deep Reinforcement Learning (DRL), um es dem Roboter zu ermöglichen, seinen Gang adaptiv zu ändern und Tierbewegungen wie Trab und Galopp nachzuahmen, um komplexes Gelände effektiv zu durchqueren. Ihre Studie untersucht das Konzept der Überlebensfähigkeit – oder Sturzprävention – als Haupttreiber solcher Gangwechsel und stellt damit frühere Überzeugungen in Frage, dass Energieeffizienz der Haupttreiber sei.

Dieser neue Ansatz verbessert nicht nur die Fähigkeit des Roboters, schwieriges Gelände zu bewältigen, sondern ermöglicht auch tiefere Einblicke in die Tierbewegung. Die Ergebnisse des Teams legen nahe, dass die Priorisierung der Sturzprävention zu flexibleren und effizienteren robotischen und biologischen Bewegungen auf unebenen Oberflächen führen kann.

Wichtige Fakten:

1. Den Gang anpassen, um zu überleben: Der EPFL-DRL-Roboter wurde zum Erlernen von Gehübergängen hauptsächlich aus Gründen der Kontinuität eingesetzt und passte seine Bewegungsstrategien effektiv an, um Stürze beim Navigieren in Gelände mit Lücken zu vermeiden.
2. Neubewertung der Energieeffizienz: Im Gegensatz zu früheren Theorien kam die Studie zu dem Schluss, dass Verbesserungen der Energieeffizienz eher eine Folge als ein Treiber von Gehübergängen in anspruchsvollen Umgebungen sind.
3. Bioinspirierte Roboteragilität: Die Forschung demonstrierte eine bioinspirierte Lernarchitektur, die lerngesteuerte spontane Gangübergänge ermöglichte und die fortschrittliche Roboteragilität beim Navigieren über aufeinanderfolgende Lücken in experimentellem Gelände demonstrierte.

Quelle: EPFL

Mit Hilfe einer Form des maschinellen Lernens namens Deep Reinforcement Learning (DRL) lernte der EPFL-Roboter gezielt den Übergang vom Trab zum Schritt – einem bogengestützten Hüpfgang, der von Tieren wie Springböcken und Hirschen verwendet wird –, um sich in schwierigem Gelände zurechtzufinden mit Abständen von 14-30cm.

Die vom BioRobotics Laboratory der Fakultät für Ingenieurwissenschaften der EPFL durchgeführte Studie liefert neue Erkenntnisse darüber, warum und wie solche Gangveränderungen bei Tieren auftreten.

„Frühere Untersuchungen haben gezeigt, dass Energieeffizienz und die Vermeidung von Muskel-Skelett-Verletzungen die wichtigsten Erklärungen für Gangveränderungen sind. In jüngerer Zeit haben Biologen gesagt, dass Stabilität auf flachem Gelände wichtiger sein könnte.“

„Aber Experimente mit Tieren und Robotern haben gezeigt, dass diese Hypothesen nicht immer richtig sind, insbesondere auf unebenem Gelände“, sagt Doktorand Milad Shafii, Erstautor einer in veröffentlichten Arbeit Naturkommunikation.

Chaveille, die Co-Autoren Guillaume Bellegarda und der Leiter des BioRobotics Lab, Auke Eijsbert, interessierten sich für eine neue Hypothese darüber, warum Gangübergänge auftreten: die Fähigkeit, Stürze zu verharren oder zu vermeiden. Um diese Hypothese zu testen, trainierten sie mithilfe von DRL einen vierbeinigen Roboter, verschiedene Gelände zu durchqueren.

Auf flachem Gelände stellten sie fest, dass unterschiedliche Gangarten bei zufälligen Stößen unterschiedliche Stärken zeigten und dass der Roboter vom Gehen zum Traben wechselte, um seine Überlebensfähigkeit aufrechtzuerhalten, genau wie es vierbeinige Tiere beim Beschleunigen tun.

Als der Roboter aufeinanderfolgende Lücken in der Versuchsoberfläche entdeckte, wechselte er automatisch vom Traben zum Laufen, um Stürze zu vermeiden. Darüber hinaus war die Überlebensfähigkeit der einzige Faktor, der durch solche Gangwechsel verbessert wurde.

„Wir haben gezeigt, dass die Überlebensfähigkeit auf flachem Gelände und schwierigem, diskretem Gelände zu Gangänderungen führt, sich die Energieeffizienz jedoch nicht unbedingt verbessert“, erklärt Shafii.

„Es scheint, dass die Energieeffizienz, von der früher angenommen wurde, dass sie der Treiber solcher Transformationen ist, eher ein Ergebnis sein könnte. Wenn ein Tier schwieriges Gelände bewältigt, wird seine erste Priorität wahrscheinlich nicht nachlassen, gefolgt von der Energieeffizienz.“

Bioinspirierte Bildungsarchitektur

Um die Bewegungssteuerung in ihrem Roboter zu modellieren, berücksichtigten die Forscher die drei interagierenden Elemente, die die Bewegung des Tieres steuern: das Gehirn, das Rückenmark und sensorisches Feedback vom Körper.

Mithilfe von DRL trainierten sie ein neuronales Netzwerk, um die Übertragung von Gehirnsignalen vom Rückenmark zum Körper nachzuahmen, während der Roboter experimentelles Gelände durchquerte. Als nächstes ordnete das Team drei potenziellen Lernzielen unterschiedliche Gewichtungen zu: Energieeffizienz, Kraftreduzierung und Überlebensfähigkeit.

Eine Reihe von Computersimulationen ergab, dass von diesen drei Zielen Überlebensfähigkeit das einzige Ziel war, das den Roboter dazu veranlasste, seinen Gang automatisch zu ändern – ohne Anweisungen von Wissenschaftlern.

Das Team betont, dass diese Beobachtungen den ersten lernbasierten Rahmen der Fortbewegung darstellen, bei dem Gangübergänge automatisch während des Lernprozesses entstehen, sowie die dynamischste Überquerung solch großer aufeinanderfolgender Lücken für einen vierbeinigen Roboter.

„Unsere vom Leben inspirierte Lernarchitektur demonstrierte die hochmoderne Agilität von Quadrocopter-Robotern in anspruchsvollem Gelände“, sagt Shafi.

Ziel der Forscher ist es, ihre Arbeit durch zusätzliche Experimente zu erweitern, bei denen verschiedene Robotertypen in unterschiedlichsten anspruchsvollen Umgebungen eingesetzt werden.

Sie hoffen, dass ihre Arbeit nicht nur die Fortbewegung von Tieren weiter aufklären wird, sondern letztendlich auch einen umfassenderen Einsatz der Robotik in der biologischen Forschung ermöglichen und die Abhängigkeit von Tiermodellen und die damit verbundenen ethischen Bedenken verringern wird.

Über Neuigkeiten aus der Robotik- und Künstliche-Intelligenz-Forschung

Autor: Celia Lauterbacher
Quelle: EPFL
Kommunikation: Celia Lauterbacher – EPFL
Bild: Bildquelle: BioRob EPFL

Ursprüngliche Suche: Offener Zugang.
„Überlebensfähigkeit führt zu Gangübergängen beim Erlernen einer agilen vierbeinigen Fortbewegung in schwierigem Gelände” von Milad Shafiee et al. Naturkommunikation

---

eine Zusammenfassung

Überlebensfähigkeit führt zu Gangübergängen beim Erlernen einer agilen vierbeinigen Fortbewegung in schwierigem Gelände

Vierbeiner können problemlos zwischen ihren verschiedenen Gangarten wechseln. Während die Energieeffizienz ein Grund für die Gangänderung zu sein scheint, spielen wahrscheinlich auch andere bestimmende Faktoren eine Rolle, darunter die Geländeeigenschaften.

In diesem Artikel schlagen wir vor, dass die Überlebensfähigkeit, d. h. die Vermeidung von Stürzen, ein wichtiges Kriterium für Gangübergänge darstellt.

Wir untersuchen die Entstehung von Gangtransformationen durch die Interaktion zwischen dem supraspinalen Motor (Gehirn), dem zentralen Mustergenerator im Rückenmark, dem Körper und der externen Wahrnehmung durch den Einsatz von Deep Reinforcement Learning und Robotik-Tools.

In Übereinstimmung mit Daten zu Vierbeinern zeigen wir, dass die Übertragung des Trabgangs von Vierbeinern auf flachem Gelände sowohl die Vitalität als auch die Energieeffizienz verbessert.

Darüber hinaus untersuchen wir die Auswirkungen diskreten Geländes (d. h. das Überqueren aufeinanderfolgender Lücken) auf die Durchsetzung von Gangübergängen und stellen fest, dass Trabübergänge entstehen, um unrentable Situationen zu vermeiden.

Die Überlebensfähigkeit ist der einzige Verbesserungsfaktor nach Gehübergängen sowohl auf flachem als auch auf abgetrenntem Gelände, was darauf hindeutet, dass Überlebensfähigkeit ein primäres und universelles Ziel für Gehübergänge sein könnte, während andere Kriterien sekundäre Ziele und/oder eine Folge der Fähigkeit zum Bleiben sind.

Darüber hinaus demonstrieren unsere Experimente die hochmoderne Agilität des vierbeinigen Roboters in anspruchsvollen Szenarien.