Laufroboter lernt und lernt

Anymal macht Parkour und läuft über Schutt

Uhr
von Fabio Bergamin, ETH Zürich

Der Laufroboter Anymal hat erfolgreich die Schulbank gedrückt. ETH-​Forschende brachten ihm mit maschinellem Lernen neue Fähigkeiten bei. Der Roboter klettert nun über Hindernisse und überwindet Fallgruben.

Der Laufroboter Anymal übt in einer Halle der ETH Zürich Parkour. (Source: ETH Zürich / Nikita Rudin)
Der Laufroboter Anymal übt in einer Halle der ETH Zürich Parkour. (Source: ETH Zürich / Nikita Rudin)

Den steinigen Untergrund auf Schweizer Wanderwegen meistert der Laufroboter Anymal längst. Forschende der ETH Zürich haben ihm nun neue Fähigkeiten beigebracht: Der Roboter schlägt sich jetzt hervorragend in Parkour, der Trendsportart, bei der es darum geht, Hindernisse im urbanen Raum mit athletischen Bewegungen geschmeidig zu überwinden. Auch in unwegsamem Gelände wie auf einer Baustelle oder in einem Katastrophengebiet kommt Anymal nun gut zurecht.

Um dem Laufroboter diese Fähigkeiten beizubringen, verfolgten zwei Teams aus der Gruppe von Marco Hutter, Professor am Departement Maschinenbau und Verfahrenstechnik, unterschiedliche Ansätze.

Die mechanischen Möglichkeiten ausgereizt

In einem der Teams arbeitet ETH-​Doktorand Nikita Rudin, der in seiner Freizeit Parkour betreibt. "Bevor wir mit dem Projekt begannen, waren einige meiner Forscherkollegen der Meinung, bei der Entwicklung von Laufrobotern sei bereits alles erreicht worden", erzählt er. "Ich hielt dagegen. Denn ich war davon überzeugt, dass mit der Mechanik von Laufrobotern noch viel mehr möglich ist."

Mit seinen eigenen Parkour-​Erfahrungen im Hinterkopf versuchte er, die Möglichkeiten von Anymal noch weiter auszureizen. Dies gelang ihm, indem er dem Laufroboter durch maschinelles Lernen neue Skills beibrachte. Anymal kann nun Hindernisse erklimmen und mit dynamischen Bewegungen wieder von ihnen herunterspringen.

(Video: ETH Zürich / Nicole Davidson)

Anymal lernte dabei ähnlich wie ein Kind durch Versuch und Irrtum. Steht Anymal nun vor einem Hindernis, erkennt er mithilfe einer Kamera und eines künstlichen neuronalen Netzwerks, welche Art von Hindernis er überwinden muss. Dann führt er die Bewegungen aus, die er zuvor im Training dafür als erfolgversprechend gelernt hat.

Ist damit das technisch Machbare ausgereizt? Für die einzelnen neu erlernten Skills sei das weitgehend der Fall, sagt Rudin. Trotzdem seien noch viele Fortschritte möglich. Zum Beispiel, wenn der Laufroboter nicht nur vordefinierte Aufgaben lösen muss, sondern sich generell in schwierigem Gelände bewegen soll, etwa in einem Trümmerfeld.

Kombination mit klassischer Technik

Den Laufroboter für genau solche Anwendungen fit zu machen, war das Ziel eines anderen Projekts von Rudins Kollegen Fabian Jenelten. Der ETH-​Doktorand verliess sich dabei nicht allein auf maschinelles Lernen, sondern kombinierte es mit einem bekannten Ansatz der Regelungstechnik, der sogenannten modellbasierten Regelung. Schwierig zu lernende Grundbewegungen wie zum Beispiel das Erkennen und Überwinden von Bodenvertiefungen in einem Trümmerfeld können einem Roboter so leichter beigebracht werden. Das maschinelle Lernen wiederum hilft dem Roboter Bewegungsmuster so zu lernen, dass er sie in unvorhergesehenen Situationen flexibel anwenden kann. "Durch die Kombination beider Ansätze können wir das Maximum aus Anymal herausholen", sagt Jenelten.

So gelingt es dem Laufroboter nun besser, auf rutschigem Untergrund oder instabilen Geröllblöcken sicheren Halt zu finden. Bald soll er auch auf Baustellen eingesetzt werden oder überall dort, wo es für Menschen zu gefährlich ist: zum Beispiel um ein verfallenes Haus in einem Katastrophengebiet zu inspizieren.

Ein Foto vom Laufroboter Anymal: Er ist etwa kniehoch, hat einen leuchtroten Körper und vier metallene Beine. Er kämpft sich seinen Weg über einen Schutthaufen, der aus grossen Felsbrocken und Holzbrettern besteht.

Anymal auf einem Übungsgelände des Zivilschutzes. (Source: ETH Zürich / Fabian Jenelten)

 

Literaturhinweise
Hoeller D, Rudin N, Sako D, Hutter M: ANYmal Parkour: Learning Agile Navigation for Quadrupedal Robots, Science Robotics, 13. März 2024, doi: 10.1126/scirobotics.adi7566

Jenelten F, He J, Farshidian F, Hutter M: DTC: Deep Tracking Control. Science Robotics 2024, 17: eadh5401, doi: 10.1126/scirobotics.adh5401

Dieser Beitrag ist zuerst auf der Website der ETH Zürich erschienen

Webcode
8PEromNH

Meist gelesen

» Mehr News