뛸 로봇은 동물 보행 전환의 출현을 밝힙니다.

심층 강화 학습(DRL)이라는 기계 학습 형태의 도움으로 EPFL 로봇은 특히 속보에서 프롱킹(스프링복이나 가젤과 같은 동물이 사용하는 도약하는 아치형 보행)으로 전환하여 도전적인 길을 탐색하는 방법을 배웠습니다. 14~30cm 간격의 지형. EPFL 공과대학의 바이오로보틱스 연구소(BioRobotics Laboratory)가 주도한 이 연구는 동물에서 그러한 보행 전환이 발생하는 이유와 방법에 대한 새로운 통찰력을 제공합니다.

“이전 연구에서는 보행 전환에 대한 두 가지 주요 설명으로 에너지 효율성과 근골격 부상 회피를 도입했습니다. 최근 생물학자들은 평평한 지형에서의 안정성이 더 중요할 수 있다고 주장했습니다. 그러나 동물과 로봇 실험을 통해 이러한 가설이 항상 유효한 것은 아니라는 것이 밝혀졌습니다. 특히 고르지 않은 지면에서는 더욱 그렇습니다.” 네이처커뮤니케이션즈.

따라서 Shafiee와 공동 저자인 Guillaume Bellegarda와 BioRobotics Lab 책임자인 Auke Ijspeert는 보행 전환이 발생하는 이유에 대한 새로운 가설, 즉 생존 가능성 또는 낙상 회피에 관심이 있었습니다. 이 가설을 테스트하기 위해 그들은 DRL을 사용하여 다양한 지형을 횡단하도록 4족 로봇을 훈련했습니다. 평평한 지형에서 그들은 서로 다른 걸음걸이가 무작위 밀기에 대해 서로 다른 수준의 견고성을 보였으며 로봇이 네 발 달린 동물이 가속할 때 하는 것처럼 생존 능력을 유지하기 위해 걷기에서 트로트로 전환한다는 것을 발견했습니다. 그리고 실험 표면에서 연속적인 틈에 직면했을 때 로봇은 낙상을 피하기 위해 자발적으로 속보에서 프랭크로 전환했습니다. 더욱이, 생존 가능성은 이러한 보행 전환에 의해 개선된 유일한 요소였습니다.

“우리는 평평한 지형과 까다로운 개별 지형에서 생존 가능성이 보행 전환의 출현으로 이어지지만 에너지 효율성이 반드시 향상되는 것은 아니라는 것을 보여주었습니다.”라고 Shafiee는 설명합니다. “이전에 그러한 전환의 원동력으로 여겨졌던 에너지 효율성이 더 큰 결과일 수 있는 것 같습니다. 동물이 까다로운 지형을 탐색할 때 최우선 순위는 떨어지지 않는 것이고 에너지 효율성이 뒤따를 가능성이 높습니다.”

생체 영감을 받은 학습 아키텍처

로봇의 운동 제어를 모델링하기 위해 연구원들은 동물의 움직임을 구동하는 세 가지 상호 작용 요소, 즉 뇌, 척수 및 신체의 감각 피드백을 고려했습니다. 그들은 로봇이 실험 지형을 횡단할 때 척수가 신체에 뇌 신호를 전달하는 것을 모방하기 위해 DRL을 사용하여 신경망을 훈련했습니다. 그런 다음 팀은 에너지 효율성, 힘 감소, 생존 가능성이라는 세 가지 가능한 학습 목표에 서로 다른 가중치를 할당했습니다. 일련의 컴퓨터 시뮬레이션을 통해 이 세 가지 목표 중 생존 가능성이 로봇이 과학자의 지시 없이 자동으로 보행을 변경하도록 유도하는 유일한 목표인 것으로 나타났습니다.

팀은 이러한 관찰이 학습 과정에서 보행 전환이 자발적으로 나타나는 최초의 학습 기반 운동 프레임워크이자 4족 로봇의 큰 연속 간격을 가장 역동적으로 교차시키는 것임을 강조합니다.

Shafiee는 “우리의 생체 영감 학습 아키텍처는 까다로운 지형에서 최첨단 4족 보행 로봇의 민첩성을 입증했습니다.”라고 말했습니다.

연구원들은 다양한 유형의 로봇을 더욱 다양하고 까다로운 환경에 배치하는 추가 실험을 통해 작업을 확장하는 것을 목표로 하고 있습니다. 그들은 동물의 운동을 더욱 명확하게 설명하는 것 외에도 궁극적으로 그들의 연구를 통해 생물학적 연구에 로봇을 보다 광범위하게 사용하여 동물 모델에 대한 의존도와 관련 윤리 문제를 줄일 수 있기를 바라고 있습니다.

출처: https://www.sciencedaily.com/releases/2024/04/240430105511.htm