Aditya Sripada i Abhishek Warrier zbudowali pierwszego robota zdolnego zarówno do chodzenia, jak i toczenia się, co stanowi nie lada osiągnięcie inżynieryjne. Co ciekawe, projekt narodził się jako inicjatywa czysto hobbystyczna. Sripada, absolwent Carnegie Mellon University’s Robotics Institute, pracował nad prototypem wyłącznie wieczorami i w weekendy, bez instytucjonalnego wsparcia czy specjalnego laboratorium.
TARS3D to robot żywcem wyjęty z “Interstellar”
Sam robot prezentuje się imponująco. Platforma badawcza o wysokości 25 cm i wadze 990 gramów została wykonana z komponentów drukowanych w 3D z PLA. Konstrukcja obejmuje cztery niezależnie przegubowe, teleskopowe filary, które mogą błyskawicznie przekształcić się w kształt litery X. Każdy z filarów jest sterowany za pomocą siłownika Robotis Dynamixel 2XL430-W250, co umożliwia kontrolę zarówno rotacji biodra w zakresie plus minus 150 stopni, jak i teleskopowego wysuwania nogi od 108 do 134 mm.
Czytaj też: Fourier GR-3 to pierwszy robot, którego przytulisz
Kluczowym elementem okazały się zakrzywione podkładki pełniące funkcję stóp. Pomysł ten narodził się z konieczności – płaskie stopy, takie jak w filmowej wersji, okazały się niestabilne podczas toczenia. Zakrzywione płytki o łuku 45 stopni i promieniu 0,124 m rozwiązały problem utraty momentu pędu, pozwalając robotowi toczyć się jako ośmioramienne podwójne koło.
Robot dysponuje siedmioma niezależnymi ruchami, co przy względnie prostej konstrukcji umożliwia realizację dwóch głównych trybów lokomocji. W trybie chodu osiąga długość kroku 35 mm przy prędkości 0,18 m/s, co stanowi wolniejszy, ale stabilniejszy sposób poruszania. Znacznie bardziej spektakularny jest tryb toczenia, gdzie maszyna utrzymuje ośmioetapowy hybrydowy cykl graniczny, osiągając prędkość około 0,51 m/s.
Toczenie się okazało się bardzo wrażliwe na zmiany terenu – robot działa stabilnie przy niepewności terenu do plus minus 0,16 długości nierozciągniętej nogi, ale jego wydajność gwałtownie spada przy większych zakłóceniach. To dobitnie pokazuje, jak daleka jeszcze droga przed tym projektem, zanim będzie mógł funkcjonować w rzeczywistych warunkach.
Interesujący jest sposób, w jaki twórcy nauczyli robota poruszać się. Zastosowali głębokie uczenie ze wzmocnieniem w symulacji NVIDIA IsaacLab, wykorzystując algorytm PPO. Co zaskakujące, trening zajmował mniej niż 15 minut na laptopowym GPU RTX 3070, co świadczy o efektywności tego podejścia. System wykorzystywał 2048 równoległych środowisk symulacyjnych, co znacząco przyspieszyło proces uczenia.
Efekt przerósł oczekiwania nawet samych twórców. Biotranscendentna morfologia robota doprowadziła do odkrycia wielu wcześniej niezbadanych trybów lokomocji. Oprócz odtworzenia analitycznych sposobów ruchu, system nauczył się nowych zachowań, takich jak diagonalne tempo czy żabi skok. Te odkrycia otwierają obiecującą drogę dla robotyki multimodalnej, choć trzeba przyznać, że niektóre z nich wyglądają dość egzotycznie.
Ciekawym zjawiskiem okazało się to, co dzieje się, gdy funkcja nagrody nie jest odpowiednio wyważona. Gdy nagroda za prędkość kątową dominowała w funkcji celu, robot zaczął kołysać się w miejscu, maksymalizując obrót bez rzeczywistego postępu do przodu. To doskonała ilustracja wyzwań stojących przed uczeniem wzmacniającym w robotyce.
Obecny prototyp ma istotne ograniczenia, o których twórcy otwarcie mówią. Jest połączony kablowo, co ogranicza jego autonomię. Testowany był wyłącznie na płaskim terenie, a optymalizacja prędkości i efektywności energetycznej pozostaje w powijakach. Przyszłe prace będą koncentrować się na działaniu bez uwięzi z zasilaniem i komunikacją na pokładzie, niezawodnym przełączaniu między trybami oraz adaptacji do nieustrukturyzowanych powierzchni.
Prace nad TARS3D zostały docenione przez środowisko naukowe – projekt był finalistą nagrody Mike Stilman Award na 24. IEEE RAS Humanoids Conference w Seulu. To ważne, ponieważ pokazuje, że nie mamy do czynienia z kolejną ciekawostką dla fanów filmu, ale z rzeczywistym wkładem w rozwój robotyki. Połączenie analitycznych modeli mechanicznych z głębokim uczeniem wzmacniającym tworzy metodologię, którą można zastosować do innych multimodalnych platform robotycznych.