印度班加罗尔罗伯特博世网络物理系统中心的研究人员最近提出了一个模拟框架，系统地研究脊椎关节驱动对四足机器人运动性能的影响。在他们的研究中,在arXiv预发表的一篇论文中概述在美国，他们利用这个框架来研究一种名为Stoch 2的四足机器人的脊柱行为，以及它们对其跳跃性能的影响。
这项研究的研究人员之一Shounak Bhattacharya告诉TechXplore，这项研究是在探索四足动物和机器人快速运动的基础上进行的。“众所周知，小型和中型四足动物利用它们的灵活性脊柱以提高它们的运动速度和能量效率。这种灵活性的使用启发了机器人专家更详细地探索这个概念，并利用现有的数学工具找到解决这个问题的方法。”
与以前的研究人员相反，BHATTACHARYA和他的同事们旨在使用机器学习技术调查四足机器人的脊柱行为。他们学习的主要目标是使用深入强化学习(D-RL)实现机器人脊柱和腿之间的复杂协调。
“在一个D-RL框架中，从划痕中学习可能导致更好，更强大的政策，而不是纳入人类的指导，”Bhattacharya说。“然而，从头开始学习涉及在生成工作策略之前的多个初始失败。在这项工作中，在获得了积极和可用的政策之前需要超过200万步。“
有关更多信息，请参阅下面的视频。
直接在机器人的硬件上进行许多试验需要大量的时间和资源。因此，研究人员决定在Pybullet中模拟机器人及其环境，这是一种通过机器人和机器学习能力来增强子弹物理引擎的Python模块。在他们的研究中，他们使用Pybullet评估脊柱关节致动对StoC 2的界定性能的影响，是一个16-DOF四弧形的悬挂机器人。
“我们在这种环境中培训了机器人模型，并观察到学习算法在4小时内执行了一个完整的训练，当它在由英特尔核心I7提供的PC上执行了1000万步，在3.5GHz的PC上，具有12个核心Bhattacharya说，32 GB RAM，“Bhattacharya说。“使用仿真框架的使用减少了每次训练的时间，并消除了硬件实验的必要性。”
使用PyBullet作为机器人的学习框架，研究人员取得了非常有前景的结果。他们在模拟过程中收集的发现表明，积极使用脊柱确实能改善机器人同时也将固有频率降低到更真实的值。最终，Stoch 2达到了2.1 m/s的边界速度，最大弗劳德数为2。
这项研究，由四个监督教员在印度科学院：Shishir Kolathaya，Ashitava Ghosal，Bharadwaj Amrutur和Shalabh Bhatnagar，是一个叫做行走机器人的更广泛项目的一部分。将来，它可以激发其他研究人员使用相同的研究人员仿真框架增强机器人的脊柱行为和随之产生的运动性能。
“我们通过D-RL获得了脊柱和腿部的协调框架，增加了能量效率和速度四足动物,”巴塔查里亚说。“必须指出的是，所有这些行为都是从零开始，没有任何对脊柱力学的理解。在未来的工作中，我们计划将神经网络部署到硬件上，并直接执行学习到的策略。”
了下:无线，产品设计，机器人技术•机器人抓手•末端执行器
