搭载 AI 的模块化机器人适应损伤

配备 AI 控制器的模块化机器人实时适应损伤

西北大学的研究人员开发了一种模块化机器人，使用 AI 生成运动策略。每个模块是一个自治节点，配备电池、电机、处理板、本体感受和前庭传感器。连杆围绕轴线旋转 360°，实现基本动作：跳跃、转向、翻滚。结构在 18 个点连接，支持 120° 旋转，形成 435 种双模块配置。基于螺栓的对接站能承受动态负载。

系统仅依赖内部传感器，无需任何外部运动捕捉数据。AI 在模拟进化环境中训练控制器，以优化轨迹。

单模块工作原理

单个单元展示了一个自由度的关键机动动作：

• 跳跃 (F–I)：连杆旋转产生起飞冲量。
• 原地转向 (J–M)：策略对倒置情况鲁棒，并保持旋转方向。
• 翻滚 (N–P)：抵抗后推并快速恢复。

模块在组件中交换数据以实现协调。如果发生损坏或断开，剩余节点会重组运动：跳跃、爬行、波动式运动，以到达目标。

基于专家策略的 AI 训练

团队应用了自回归模型，类似于 LLMs，用于合成传感器运动数据。专家控制器针对以下场景进行训练：

• 未损坏机器人 (A, F)。
• 丢失一条肢体 (B, D)。
• 丢失两条肢体 (C)。
• 丢失所有四条 (E)。

模型根据传感器历史预测动作，形成独立于截肢的策略。测试显示，在损伤情况下优于基线控制器：

• 移除一条后肢：位移增加。
• 移除两条后肢：位移增加。
• 只剩一个模块：位移增加。

对于未损坏机器人，性能达到专家水平。

多模块配置演示

五模块组件掌握了杂技动作：

• 带有 66° 空中转向的跳跃 (B–F)。
• 从倒置位置自恢复 (G–L)：通过弯曲和扭转恢复姿态。

所有配置均可训练这些动作。机器人忽略不可预见的损伤，纯粹专注于从 A 点到达 B 点。

关键点：

• 模块化确保容错性：切成两半也不会停止运动。
• AI 控制器仅使用本体感受/前庭数据。
• 自回归训练合成适用于任意损伤的策略。
• 435 种双模块变体 + 多模块组件。
• 基准测试确认截肢情况下的效率提升。

机器人应用前景

该方法可扩展到现实世界任务：搜索与救援行动、行星探测车。不依赖形态简化了在未知环境中的部署。对于中高级开发者，关键是从专家策略到生成模型的迁移学习，无需运动捕捉。实现需要具备铰链物理和高负载连接的模拟器。

— Editorial Team