Robot à roues et pattes capable de navigation autonome

Introduction

Le processus d’urbanisation rapide crée des défis importants pour la logistique de la chaîne d’approvisionnement, en particulier pour la livraison du dernier kilomètre. L’augmentation de la pression de transport et la demande de services de livraison plus rapides, notamment sur des itinéraires complexes à l’intérieur des bâtiments et dans les rues, posent des problèmes difficiles à résoudre. Les robots à roues traditionnels ont du mal à franchir des obstacles complexes, tandis qu’un système uniquement basé sur des pattes ne peut pas atteindre les vitesses et l’efficacité requises. Par exemple, le robot ANYmal, bien qu’il possède une certaine capacité de déplacement, sa vitesse maximale n’atteint que la moitié de la vitesse de marche d’un être humain moyen, et son autonomie est limitée. Ainsi, le développement d’un système robotique capable de se déplacer efficacement sur des surfaces planes tout en franchissant des obstacles est devenu un axe principal de recherche.

Cet article se concentre sur les robots à roues et pattes, qui combinent les avantages des roues et des pattes, leur permettant à la fois de se déplacer rapidement sur de longues distances sur des surfaces modérées et de maintenir une flexibilité sur des terrains complexes.

Source de l’article

Cet article a été rédigé par Joonho Lee, Marko Bjelonic, Alexander Reske, Lorenz Wellhausen, Takahiro Miki et Marco Hutter, auteurs affiliés à ETH Zurich, Swiss-Mile Robotics AG et Neuromeka. Il a été publié le 24 avril 2024 dans la revue «Science Robotics».

Flux de travail et détails de la recherche

Processus de recherche

1. Conception et développement du système :

   • Cet article développe un système complet pour le robot à roues et pattes, incluant le contrôle adaptatif du mouvement, la planification de la navigation locale basée sur la perception mobile et la planification de trajectoire à grande échelle.
   • Une technique d’apprentissage par renforcement sans modèle (Reinforcement Learning, RL) et un apprentissage privilégié ont été utilisés pour développer un contrôleur de mouvement universel.
   • Pour une navigation urbaine efficace, un cadre hiérarchique de RL intégré a été conçu, permettant une navigation rapide et efficace dans des terrains complexes avec divers obstacles.

2. Expérimentation et validation :

   • Des tâches de navigation autonomes ont été effectuées à Zurich en Suisse et à Séville en Espagne pour vérifier la robustesse et l’adaptabilité du système.
   • Des modèles numériques jumeaux et une localisation en temps réel ont été utilisés pour entraîner le contrôleur avec des données simulées.

Contenu principal des expériences

1. Configuration matérielle du robot :

   • Le robot est équipé de divers capteurs, y compris Lidar, caméras stéréo, routeur 5G et antenne GPS, pour la localisation et la détection dynamique de trajectoire.
   • Une fonction de détection d’objets haute fréquence permet un suivi en temps réel des personnes, créant une zone tampon dans un rayon de 20 mètres pour augmenter la sécurité.

2. Système de navigation :

   • Le système configure un chemin global et utilise un contrôleur de perception élevée pour générer des instructions de vitesse guidant le robot le long de la trajectoire.
   • Le contrôleur utilise l’état caché généré par le contrôleur de bas niveau, les valeurs de hauteur du terrain et les séquences de positions précédemment visitées pour prendre des décisions de déplacement raisonnables.
   • Le système utilise des réseaux de neurones convolutifs unidimensionnels et bidimensionnels combinés à des perceptrons multicouches pour traiter les données d’entrée et répondre rapidement.

3. Contrôleur de mouvement :

   • Le contrôleur de bas niveau repose sur la technologie RL sans modèle et apprend la transition fluide entre les modes de marche et de conduite du robot via des réseaux neuronaux récurrents (RNN).
   • Des informations privilégiées sont utilisées pendant l’entraînement pour améliorer les performances du modèle, et la stratégie finale ne dépend que des données brutes obtenues des unités de mesure inertielle (IMU) et des codeurs d’articulation.

Résultats de l’expérience

1. Déploiement autonome à grande échelle :

   • Le robot a exécuté des tâches de navigation autonome sur de longues distances à Zurich et à Séville, avec une distance totale parcourue de 8,3 kilomètres.
   • Lors des expériences, le robot a démontré sa capacité à se déplacer à travers divers obstacles et sur différents types de terrains, avec une vitesse moyenne de 1,68 m/s et un coût mécanique de transport (Cotmech) de 0,16.

2. Navigation locale et embarquée :

   • Dans divers scénarios de navigation, le robot a montré sa capacité à détecter des chemins bloqués, à traverser des obstacles complexes et à choisir l’allure appropriée.
   • En utilisant des caméras combinées à la détection humaine, des obstacles dynamiques ont été identifiés afin d’éviter les piétons en toute sécurité.

3. Mouvement hybride :

   • Lors de tests sur différents terrains pour le contrôleur de bas niveau, le robot a montré des allures adaptées et un contrôle stable de la posture corporelle, avec une vitesse maximale de 5,0 m/s.
   • Sur des pentes abruptes, des escaliers et d’autres terrains complexes, le robot a démontré une transition fluide entre les modes de marche et de conduite.

Conclusion de l’étude

Cet article présente le potentiel des robots à roues et pattes pour réaliser une navigation autonome efficace et robuste dans des environnements urbains complexes grâce à la conception et à la validation d’un système de navigation autonome. Les résultats de la recherche ont non seulement validé l’efficacité de l’architecture du système et des stratégies de contrôle, mais ont également montré les perspectives prometteuses des robots à roues et pattes pour remplacer le transport humain dans la livraison du dernier kilomètre.

Points forts de la recherche

1. Nouvelle architecture d’intégration système : L’intégration transparente du contrôle adaptatif du mouvement, de la planification de navigation locale basée sur la perception mobile et de la planification de trajectoire à grande échelle a considérablement amélioré la capacité de navigation du robot dans des environnements complexes.

2. Contrôle de mouvement hybride : La technologie RL sans modèle combinée à l’apprentissage privilégié a permis de développer un contrôleur de mouvement efficace et robuste, permettant au robot de changer d’allure sur divers terrains complexes tout en maintenant un mouvement efficace.

3. Validation pratique : Les expériences de navigation autonome à grande échelle menées à Zurich et à Séville ont confirmé l’adaptabilité et la robustesse du système, fournissant des références pratiques importantes pour les applications futures.

Cette étude montre que les robots à roues et pattes pourraient jouer un rôle crucial dans la résolution des problèmes de livraison du dernier kilomètre en milieu urbain, et offre de nouvelles directions et un soutien technologique pour le développement de la navigation autonome et de la mobilité intelligente des robots.