Assistive Gym

Physiksimulations-Framework zum Training von Assistenzrobotern für Pflegeaufgaben

Lizenz

MIT

Überblick

Assistive Gym ist ein physikbasiertes Simulations-Framework auf Basis von PyBullet und OpenAI Gym, mit dem Roboter darauf trainiert werden, Menschen bei alltäglichen Aufgaben wie Essen, Trinken, Waschen und Anziehen zu helfen. Es kombiniert sechs Assistenzaufgaben mit sechs kommerziellen Robotern und bezieht menschliche Präferenzen in seine Belohnungsfunktionen ein. Es enthält vortrainierte Baseline-Policies für Reinforcement Learning.

Assistive Gym ist ein physikbasiertes Simulationsframework, das auf PyBullet aufbaut und in OpenAI Gym integriert ist. Es wurde speziell für die Forschung an physischer Mensch-Roboter-Interaktion und robotergestützter Assistenz entwickelt. Es bietet 72 sofort einsetzbare Simulationsumgebungen, die sechs Assistenzaufgaben (Füttern, Trinken, Juckreiz-Kratzen, Bettbaden, Anziehen und Armmanipulation) mit sechs kommerziellen Robotern (PR2, Jaco, Baxter, Sawyer, Stretch und Panda) in sowohl statischen als auch aktiven Menschenkonfigurationen kombinieren.

Das Framework verfügt über anatomisch realistische Menschenmodelle mit 40 angetriebenen Gelenken und posenabhängigen Gelenkgrenzen, die aus biomechanischer Forschung abgeleitet sind, und unterstützt sowohl männliche als auch weibliche Körperkonfigurationen. Es integriert die Modellierung menschlicher Präferenzen direkt in die Belohnungsfunktionen, sodass Roboter Assistenzstrategien erlernen können, die den Komfort und die Autonomie einer Person respektieren. Version 1.0 fügte mobile Manipulation, Multi-Roboter-Steuerung, iGibson-Integration für fotorealistische Wohnumgebungen und SMPL-X-Menschenkörpermodelle für realistische Körperdarstellung hinzu.

Assistive Gym ist vollständig kompatibel mit gängigen Reinforcement-Learning-Algorithmen über die OpenAI Gym-Schnittstelle, enthält vortrainierte Basis-Richtlinien für alle Roboter-Aufgaben-Kombinationen und unterstützt cloudbasierte Entwicklung über Google Colab-Notebooks. Forscher können benutzerdefinierte Assistenzumgebungen erstellen, bestehende Aufgaben erweitern und neue Ansätze gegen die bereitgestellten Baselines vergleichen.

Warum es wichtig ist

Da die Bevölkerung weltweit altert, übersteigt der Bedarf an Pflege bei Weitem die verfügbaren Arbeitskräfte. Assistenzrobotik hat das Potenzial, diese Lücke zu schliessen, aber die Entwicklung von Robotern, die physisch mit Menschen interagieren, ist von Natur aus riskant. Assistive Gym bietet eine sichere, wiederholbare Simulationsumgebung, in der Forscher Richtlinien für Assistenzroboter trainieren und evaluieren können, ohne während des Entwicklungsprozesses reale Menschen zu gefährden.

Das Framework hat sich als grundlegendes Werkzeug in der Forschungsgemeinschaft für Assistenzrobotik etabliert, wurde auf der IEEE ICRA 2020 veröffentlicht und wird umfangreich zitiert. Durch die Standardisierung der Simulation gängiger Pflegeaufgaben und die Bereitstellung von Benchmark-Ergebnissen für mehrere kommerzielle Roboter beschleunigt es den Fortschritt in einem Bereich, in dem reale Experimente teuer, langsam und ethisch eingeschränkt sind. Sein Open-Source-Charakter und die Google Colab-Unterstützung senken die Einstiegshürde für neue Forscher in diesem wichtigen Feld.

Welches Problem es löst

Die Entwicklung von Robotern, die Menschen physisch bei alltäglichen Aktivitäten unterstützen, stellt ein grundlegendes Henne-Ei-Problem dar: Roboter benötigen umfangreiches Training für sichere Interaktion mit Menschen, aber das Training an realen Personen birgt inakzeptable Sicherheitsrisiken. Experimente zur physischen Mensch-Roboter-Interaktion sind zudem teuer, zeitaufwändig und schwer zwischen Forschungsgruppen reproduzierbar.

Assistive Gym löst dieses Problem, indem es eine realistische Physiksimulation bereitstellt, in der Roboter durch Millionen von Versuch-und-Irrtum-Interaktionen lernen können, ohne jegliches Risiko für menschliche Probanden. Das Framework modelliert nicht nur die Physik des Kontakts, sondern auch menschliche Präferenzen und körperliche Fähigkeiten, sodass trainierte Richtlinien den Komfort und die Autonomie der unterstützten Person berücksichtigen. Dies ermöglicht Forschern weltweit, Assistenzstrategien auf standardisierten Benchmarks zu entwickeln, zu testen und zu vergleichen, bevor sie in der realen Welt eingesetzt werden.

Wichtigste Punkte

• Simuliert sechs Alltagsaufgaben (Fuettern, Trinken, Baden, Anziehen, Kratzen, Armmanipulation) mit sechs kommerziellen Robotern und insgesamt 72 Umgebungskombinationen
• Integriert die Modellierung menschlicher Praeferenzen in Belohnungsfunktionen, damit Roboter lernen, auf eine Weise zu assistieren, die Komfort und Autonomie respektiert
• Verfügt über anatomisch realistische Menschenmodelle mit 40 angetriebenen Gelenken und biomechanisch genauen Gelenkgrenzen
• Kompatibel mit Standard-Reinforcement-Learning über die OpenAI Gym-Schnittstelle, mit vortrainierten Basis-Richtlinien im Lieferumfang
• Unterstützt fotorealistische Wohnumgebungen über iGibson-Integration und realistische Körperdarstellung durch SMPL-X-Menschenkörpermodelle

Für wen

• Robotikforscher, die an physischer Mensch-Roboter-Interaktion und Assistenztechnologie arbeiten
• Reinforcement-Learning-Praktiker, die RL auf reale Pflege- und Manipulationsaufgaben anwenden
• Entwickler von Gesundheitstechnologie, die robotergestützte Assistenz für die Alten- und Behindertenpflege prototypisieren
• Doktoranden, die Assistenzrobotik, Rehabilitationstechnik oder Embodied AI studieren
• Roboterhersteller, die kommerzielle Plattformen für Assistenzanwendungen evaluieren

Einschränkungen

• Die Simulation-zu-Realität-Lücke bedeutet, dass in Assistive Gym trainierte Richtlinien möglicherweise nicht direkt auf physische Roboter übertragbar sind und zusätzliches Feintuning erfordern
• Menschenmodelle verwenden vereinfachte Gelenkgrenzen und Körperdynamik, die die volle Variabilität realer Patienten mit unterschiedlichen Behinderungen nicht erfassen können
• Erfordert Python 3.6 oder 3.7 für beste Kompatibilität, mit eingeschränkter Unterstützung für neuere Python-Versionen
• Modelliert keine Weichkörper-Deformationen für Aufgaben wie Anziehen und Baden, bei denen Stoff- und Hautphysik wichtig sind
• Das letzte groessere Update war v1.0 und das Projekt hat im Vergleich zu neueren Simulationsframeworks begrenzte aktuelle Entwicklungsaktivitaet