Open Source Robotics

Eine kuratierte Sammlung hochwertiger Open-Source-Robotikprojekte, Werkzeuge und Software für die Robotik-Community.

Projected Gravity

  • Auch genannt: projected gravity vector, body-frame gravity vector
  • Kategorie: Sensing › Proprioceptive
  • Schlagwörter: orientation, legged-locomotion, reinforcement-learning, imu, observation-design

Die Einheitsrichtung der Schwerkraft im Körperkoordinatensystem eines Roboters; sie kodiert Rollen und Nicken ohne Gieren und ist eine Standard-Neigungseingabe für gelernte Fortbewegungs- und Balance-Policies.

Definition

Projizierte Schwerkraft (Projected gravity) ist die Richtung der Schwerkraft, ausgedrückt im Koordinatensystem eines Roboterkörpers, meist der Basis oder des Rumpfes. Im Weltkoordinatensystem zeigt die Schwerkraft senkrecht nach unten, als Einheitsvektor (0, 0, -1). Dreht man sie mit der Transponierten der Orientierungsmatrix des Körpers ins Körperkoordinatensystem, erhält man einen Vektor mit drei Komponenten, der sich ändert, wenn sich der Körper neigt. Steht der Körper aufrecht, ist der Vektor (0, 0, -1); neigt sich der Körper um einen Winkel θ, wächst der horizontale Anteil auf die Länge sin θ und der vertikale Anteil schrumpft auf -cos θ. Die Norm der x- und y-Komponenten ist daher ein direktes Maß für die Neigung, null in aufrechter Haltung und eins, wenn der Körper auf der Seite liegt, und die Richtung dieses horizontalen Anteils zeigt, wohin sich der Körper neigt.

Der Hauptgrund, diesen Vektor statt Gier-, Nick- und Rollwinkeln zu verwenden, ist, dass er genau die Orientierungsinformation enthält, die ein Balance- oder Fortbewegungsregler braucht. Er ist unabhängig vom Kurs, sodass sich eine Policy gleich verhält, egal in welche Richtung der Roboter blickt, und er ist eine glatte Funktion der Orientierung, ohne den Wertebereichsüberlauf und die Singularitäten von Euler-Winkeln. Aus diesen Gründen ist er ein Standardbeobachtungsterm in Frameworks für bestärkendes Lernen bei Laufrobotern und Humanoiden wie legged_gym und Isaac Lab, und seine horizontalen Komponenten werden oft direkt in Belohnungen verwendet, die Körperneigung bestrafen.

Auf der Hardware stammt die projizierte Schwerkraft aus der Orientierungsschätzung einer IMU, die meist von einem Filter berechnet wird, das Gyroskop- und Beschleunigungsmesserdaten kombiniert. Sie ist nicht dasselbe wie der rohe Messwert des Beschleunigungsmessers: Ein Beschleunigungsmesser misst die spezifische Kraft, die nur dann der Schwerkraftrichtung entspricht, wenn der Körper nicht beschleunigt. Eine Policy, die mit perfekter simulierter Orientierung trainiert wurde, kann sich daher anders verhalten, wenn sie eine gefilterte Schätzung erhält, die nachhinkt oder bei Stößen gestört wird, weshalb dieser Beobachtung beim Training oft Rauschen und Verzögerung hinzugefügt werden. Dieselbe Konstruktion lässt sich auf jeden Körper anwenden, etwa ein Tablett, das ein humanoider Roboter hält, um zu messen, wie waagerecht es ist.

Warum es wichtig ist

Die Neigung relativ zur Schwerkraft ist das wichtigste einzelne Orientierungssignal, um einen Roboter oder ein von ihm getragenes Objekt aufrecht zu halten. Projizierte Schwerkraft liefert sie in einer kompakten, kursunabhängigen Form, mit der gelernte Regler gut umgehen, weshalb sie ein Standardeintrag in den Beobachtungen gelernter Fortbewegungs-Policies ist.

Wichtige Anwendungen

  • Beobachtungseingabe für gelernte Fortbewegungs-Policies von Lauf- und humanoiden Robotern
  • Belohnungsterme, die die Neigung des Körpers oder der Nutzlast bestrafen
  • Auslöser für Sturzerkennung und Wiederaufrichten
  • Balancieren getragener Objekte wie Tabletts und Behälter
  • Neigungsbewusste Regelung mobiler Manipulatoren an Hängen

In der Praxis

Ein Team trainiert eine Humanoiden-Policy, ein Tablett zu tragen, ohne etwas zu verschütten. Die Beobachtung enthält die projizierte Schwerkraft des Rumpfes aus der IMU und die des Tabletts, berechnet aus dessen geschätzter Orientierung. Die Belohnung bestraft die quadrierte Norm der horizontalen Schwerkraftkomponenten des Tabletts, die null ist, wenn das Tablett waagerecht ist. Während des Trainings in der Simulation werden beiden Vektoren Rauschen und eine kleine Verzögerung hinzugefügt, passend zum Orientierungsfilter an Bord. Am realen Roboter prüft das Team, ob die Koordinatensystemkonvention der IMU mit der des Simulators übereinstimmt, denn eine vertauschte Achse oder ein Vorzeichenfehler in diesem Vektor bringt die Policy dazu, eine Neigung korrigieren zu wollen, die es nicht gibt.

Häufige Missverständnisse

  • Projizierte Schwerkraft ist der Messwert des Beschleunigungsmessers — der Beschleunigungsmesser misst auch lineare Beschleunigung, daher stimmt er nur dann mit der Schwerkraft überein, wenn der Körper nicht beschleunigt
  • Sie kodiert die vollständige Orientierung — die Drehung um die Schwerkraftachse (Gieren) wird nicht dargestellt, was meist beabsichtigt ist
  • Sie ist nur ein anderer Name für Roll- und Nickwinkel — sie trägt dieselbe Neigungsinformation, aber als glatten Einheitsvektor ohne Winkelüberlauf oder Singularitäten

Wer das wissen sollte

  • Ingenieure für bestärkendes Lernen, die Fortbewegungs- und Balance-Policies trainieren
  • Regelungstechniker für Lauf- und humanoide Roboter
  • Ingenieure, die in der Simulation trainierte Policies auf realen IMUs einsetzen
  • Robotikstudierende, die mit Orientierungsdarstellungen arbeiten

Verwandte Technologien

  • Isaac Lab
  • legged_gym
  • Lage- und Kursreferenzsystem (Attitude and Heading Reference System)
  • Quaternionenbasierte Orientierungsschätzung (Quaternion Orientation Estimation)
  • Mahony- und Madgwick-Filter (Mahony and Madgwick Filters)

Verwandte Begriffe

  • IMU
  • Yaw / Pitch / Roll
  • Coordinate Frame
  • Proprioception
  • Sim2Real
  • Residual Reinforcement Learning

Verwandte Projekte

  • LeRobot: HuggingFace ML library for real-world robotics in PyTorch
  • MuJoCo: DeepMind physics engine for robotics and ML research
  • PyBullet: Python physics simulator for robotics and RL research with fast CPU-based simulation
  • Microduck: Pollen Robotics' $399 walking duck robot: open-source software, closed hardware
  • Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
  • Newton: Open GPU physics engine for robot learning, with Kamino for closed-loop linkages

Diese Website benötigt JavaScript. Bitte aktivieren Sie JavaScript, um unsere Open-Source-Robotikprojekte zu erkunden.