O benchmark Barkour mede a agilidade de robôs quadrúpedes

O ritmo acelerado do desenvolvimento da robótica nos deu um verdadeiro zoológico cheio de criaturas às vezes indistinguíveis do negócio real.

Temos RoboFish, Bionic Kangaroo, Robot Snake e até RoboTuna, Bionic Ants e RoboSalamander.

De particular interesse para os desenvolvedores, no entanto, são as criações quadrúpedes. Eles fornecem oportunidades inestimáveis ​​para estudar locomoção, estabilidade e robustez em terrenos variados que ajudarão a desenvolver soluções robóticas para resposta a desastres, tratamento médico, monitoramento ambiental e vigilância.

Spot, da Boston Dynamics, por exemplo, conquistou as manchetes como uma ferramenta de aplicação da lei em Honolulu, um monitor em Cingapura reforçando o distanciamento social durante a pandemia do COVID-19, uma sentinela de câmera térmica no aeroporto de Haneda em Tóquio e um ajudante em canteiros de obras na Dinamarca.

Existem outras bestas de quatro patas nesta corrida: AIbo, ANYmal, WildCat e Hyq.

Um desafio enfrentado pelos pesquisadores e potenciais clientes de quadrúpedes robóticos é como medir as diferenças nas capacidades de um crescente zoológico de criaturas baseadas em IA.

Afinal, existem testes para praticamente tudo digital: Dhrystone mede o desempenho de operações de inteiros em uma CPU; N-Body Simulation verifica o desempenho da simulação do movimento de partículas em um campo gravitacional; Whetstone é usado para desempenho de ponto flutuante em uma CPU; Pro Agility Shuttle para rapidez lateral e mudança de direção; e T-Test para embaralhar, correr e recuar. Dezenas de testes adicionais avaliam inúmeros outros atributos das máquinas digitais.

Os cientistas de pesquisa do Google dizem que é hora de se concentrar em uma ferramenta de medição de som especificamente para agilidade robótica.

“[W]Embora os pesquisadores tenham permitido que os robôs caminhem ou saltem sobre alguns obstáculos, ainda não há uma referência geralmente aceita que meça de forma abrangente a agilidade ou a mobilidade do robô”, relatou a equipe do Google DeepMind em um artigo publicado no servidor de pré-impressão. arXiv semana passada. “Em contraste, os benchmarks são as forças motrizes por trás do desenvolvimento do aprendizado de máquina, como o ImageNet para visão computacional e o OpenAI Gym para aprendizado por reforço”.

Os pesquisadores do Google projetaram uma pista de obstáculos que inclui bastões, estruturas em A e uma prancha de salto. Um sistema de pontuação recompensa as tarefas concluídas com sucesso dentro de um período de tempo especificado, penalizando os participantes que falham ou pulam os desafios. O projeto se chama Barkour.

“É essencial estabelecer métricas que possam medir com precisão a agilidade do robô e definir um conjunto padrão de tarefas que possam servir como uma estrutura de avaliação comum”, disse a equipe em seu artigo, “Barkour: Benchmarking Animal-level Agility with Quadruped Robots. ”

O curso foi testado primeiro em cães reais – “dooglers”, neste caso, que eram animais de estimação pertencentes a funcionários do Google.

A equipe então treinou quadrúpedes robóticos para navegar pelos vários terrenos, acomodando com eficiência as demandas de equilíbrio e velocidade. Os desafios incluíam caminhar, subir ladeiras e pular.

Enquanto a equipe alcançou um conjunto prático de medições para testar a agilidade, eles relataram que cães vivos não treinados foram capazes de enfrentar com sucesso a pista de obstáculos em cerca de metade do tempo que seu robô quadrúpede personalizado levou para fazê-lo.

“Ainda há uma grande lacuna na agilidade entre os robôs e seus equivalentes animais”, reconheceu a equipe. “Ainda há espaço notável para avançar em direção à agilidade do cão, melhorando a velocidade e a robustez”.

Mas eles sustentaram que “Barkour servirá à comunidade de robótica como um importante banco de testes para diferentes métodos de controle e aprendizado e diferentes designs de hardware” no futuro.

© 2023 Science X Network