AI summary
Sistem kontrol baru memungkinkan robot berkaki untuk menavigasi medan yang sulit dengan efisien. Teknik pembelajaran mesin yang digunakan membantu robot fokus pada area yang paling penting untuk pergerakan aman. Pengujian menunjukkan kemampuan robot untuk beradaptasi dengan lingkungan yang tidak terlihat selama pelatihan. Para peneliti dari ETH Zurich mengembangkan sistem kontrol baru bagi robot berkaki agar mampu berjalan dengan aman di medan yang sulit. Sistem ini menggunakan teknik pembelajaran mesin yang dinamakan attention-based map encoding, yang membantu robot fokus hanya pada bagian penting dalam peta medan untuk memilih langkah berikutnya.Sistem ini dilatih menggunakan reinforcement learning, sehingga robot dapat belajar memprioritaskan area yang paling aman dan relevan pada peta medan, bukan memproses seluruh peta sekaligus. Metode ini meningkatkan kemampuan robot untuk menavigasi medan yang bervariasi dan belum pernah ditemui sebelumnya.Pengujian dilakukan dengan robot quadrupedal bernama ANYmal-D dan robot humanoid Fourier GR-1. Kedua robot ini berhasil melewati tantangan di lingkungan yang tidak dikenal pada saat pelatihan, menunjukkan kemampuan mereka untuk beradaptasi secara nyata dan generalisasi di medan yang rumit.Namun, teknologi ini saat ini baru mampu mengolah peta 2.5D yang menunjukkan ketinggian medan, jadi belum bisa memahami rintangan yang menggantung seperti cabang pohon. Para peneliti yakin bahwa sistem ini bisa dikembangkan lebih lanjut untuk mendukung pemetaan tiga dimensi lengkap dan kontrol tubuh secara menyeluruh di masa depan.Sistem ini juga sangat efisien dan berjalan dengan daya rendah hanya 25 watt pada CPU onboard, sehingga bisa diterapkan pada berbagai jenis robot tanpa membutuhkan energi besar. Robot dapat berjalan dengan stabil sampai kecepatan 2 meter per detik, membuat sistem ini terdepan dalam efisiensi dan performa locomotion hari ini.
Pendekatan menggunakan attention untuk memfokuskan kontrol robot pada area-area krusial adalah langkah revolusioner yang bisa mengatasi kompleksitas penginderaan lingkungan tanpa membebani sistem komputasi. Namun, keterbatasan pada representasi 2.5D saat ini menjadi tantangan besar yang harus diatasi agar robot bisa beroperasi lebih efektif di dunia nyata yang penuh rintangan 3D.
