Компания PNDbotics представила Adam — гуманоидного робота, который учится человеческим движениям с помощью алгоритма обучения с подкреплением. Adam ростом 1,6 м и массой 60 кг может адаптироваться к сложным условиям, например, передвигаться по неровным поверхностям. В отличие от традиционных систем, которые эффективны только в предсказуемых условиях, Adam учится на взаимодействии с окружающим миром.
Традиционные системы управления роботами, основанные на точных математических моделях и предопределенном планировании движений хорошо работают в предсказуемых условиях. Но они теряют эффективность в сложной изменяющейся среде, где невозможно заранее все просчитать. Решением может стать глубокое обучение с подкреплением (RL), которое позволяет роботам самостоятельно учиться на взаимодействии с окружающим миром. Этот подход хорошо показал себя на четвероногих роботах, но использовать его для гуманоидов сложно и дорого.
Чтобы решить эти проблемы, команда PNDbotic разработала Adam — двуногого робота с мощными приводами и недорогой модульной конструкцией. Adam учится двигаться, подражая движениям человека.
Гуманоид ростом 1,6 м и массой 60 кг оснащен 25 силовыми приводами с квази-прямым управлением (QDD), что обеспечивает ему отличную мобильность и адаптивность. Его ноги с высокочувствительными актуаторами способны развивать до 360 Нм крутящего момента. Руки получили пять степеней свободы, а талия — три.
Продвинутое управление всем телом Adam стало возможным благодаря нескольким особенностям — модульной конструкции, торсу, который имитирует строение человека, и специальной системе управления. Последняя включает блок управления роботом PND на процессоре Intel i7 и сеть PDN, которая управляет подачей электроэнергии в различные компоненты Adam.
Хотя роботу можно добавить зрение и ловкие руки, главной задачей этой разработки было научить его передвигаться вслепую.
Команда откалибровала и адаптировала данные под конструкцию Adam, после чего добавила высокоточную запись специально разработанных движений в общедоступные дата-сеты. Это улучшило обучение и оптимизировало модель.
Подход, основанный на обучении с подкреплением, улучшил адаптивность по сравнению с традиционным контролем походки. Adam регулирует длину шага, скорость и баланс в реальном времени, в том числе на неровных участках. Алгоритм RL также обеспечивает плавные движения и согласованную работу суставов, что снижает износ, продлевает срок службы и улучшает энергоэффективность.
