Open Source Robotics

Una colección curada de proyectos, herramientas y software de robótica de código abierto de alta calidad.

Projected Gravity

  • También llamado: projected gravity vector, body-frame gravity vector
  • Categoría: Sensing › Proprioceptive
  • Etiquetas: orientation, legged-locomotion, reinforcement-learning, imu, observation-design

La dirección unitaria de la gravedad expresada en el sistema de coordenadas del cuerpo de un robot; codifica el alabeo y el cabeceo sin la guiñada y es una entrada de inclinación estándar para políticas aprendidas de locomoción y equilibrio.

Definición

La gravedad proyectada (projected gravity) es la dirección de la gravedad expresada en el sistema de coordenadas de un cuerpo del robot, normalmente la base o el torso. En el sistema del mundo, la gravedad apunta directamente hacia abajo, (0, 0, -1) como vector unitario. Rotarla al sistema del cuerpo con la traspuesta de la matriz de orientación del cuerpo da un vector de tres componentes que cambia cuando el cuerpo se inclina. Cuando el cuerpo está erguido, el vector es (0, 0, -1); a medida que el cuerpo se inclina un ángulo θ, la parte horizontal crece hasta una longitud sin θ y la parte vertical se reduce a -cos θ. Por tanto, la norma de las componentes x e y es una medida directa de la inclinación, cero cuando está erguido y uno cuando el cuerpo está de lado, y la dirección de esa parte horizontal muestra hacia dónde se inclina el cuerpo.

La razón principal para usar este vector en lugar de los ángulos de alabeo, cabeceo y guiñada es que contiene exactamente la información de orientación que necesita un controlador de equilibrio o de locomoción. No le afecta el rumbo, así que una política se comporta igual hacia dondequiera que mire el robot, y es una función suave de la orientación, sin el salto de ángulo ni las singularidades de los ángulos de Euler. Por estas razones es un término de observación estándar en los frameworks de aprendizaje por refuerzo para robots con patas y humanoides, como legged_gym e Isaac Lab, y sus componentes horizontales se usan a menudo directamente en recompensas que penalizan la inclinación del cuerpo.

En el hardware, la gravedad proyectada procede de la estimación de orientación de una IMU, normalmente calculada por un filtro que combina datos del giroscopio y del acelerómetro. No es lo mismo que la lectura en bruto del acelerómetro: un acelerómetro mide la fuerza específica, que coincide con la dirección de la gravedad solo cuando el cuerpo no está acelerando. Por eso, una política entrenada con una orientación simulada perfecta puede comportarse de otra manera cuando recibe una estimación filtrada que va con retraso o se perturba durante los impactos, y por eso a menudo se añaden ruido y retardo a esta observación durante el entrenamiento. La misma construcción puede aplicarse a cualquier cuerpo, como una bandeja sostenida por un humanoide, para medir lo nivelado que está.

Por qué importa

La inclinación respecto a la gravedad es la señal de orientación más importante para mantener erguido un robot, o un objeto que transporta. La gravedad proyectada la proporciona en una forma compacta e independiente del rumbo que los controladores aprendidos manejan bien, y por eso es una entrada estándar en las observaciones de las políticas de locomoción aprendidas.

Aplicaciones clave

  • Entrada de observación para políticas aprendidas de locomoción de robots con patas y humanoides
  • Términos de recompensa que penalizan la inclinación del cuerpo o de la carga útil
  • Detección de caídas y disparadores de recuperación
  • Equilibrio de objetos transportados como bandejas y recipientes
  • Control consciente de la inclinación de manipuladores móviles en pendientes

En la práctica

Un equipo entrena una política para que un humanoide lleve una bandeja sin derramar nada. La observación incluye la gravedad proyectada del torso, obtenida de la IMU, y la de la bandeja, calculada a partir de la orientación estimada de la bandeja. La recompensa penaliza la norma al cuadrado de las componentes horizontales de la gravedad de la bandeja, que es cero cuando la bandeja está nivelada. Durante el entrenamiento en simulación, se añaden ruido y un pequeño retardo a ambos vectores para reproducir el filtro de orientación de a bordo. En el robot real, el equipo comprueba que la convención de ejes de la IMU coincide con la del simulador, ya que un eje intercambiado o un error de signo en este vector hace que la política intente corregir una inclinación que no existe.

Ideas erróneas comunes

  • La gravedad proyectada es la lectura del acelerómetro — el acelerómetro también mide la aceleración lineal, así que solo coincide con la gravedad cuando el cuerpo no está acelerando
  • Codifica la orientación completa — la rotación alrededor del eje de la gravedad (guiñada) no está representada, lo cual suele ser intencionado
  • No es más que los ángulos de alabeo y cabeceo con otro nombre — lleva la misma información de inclinación, pero como un vector unitario suave sin salto de ángulo ni singularidades

Quién debería saberlo

  • Ingenieros de aprendizaje por refuerzo que entrenan políticas de locomoción y equilibrio
  • Ingenieros de control de robots con patas y humanoides
  • Ingenieros que despliegan políticas entrenadas en simulación sobre IMU reales
  • Estudiantes de robótica que trabajan con representaciones de la orientación

Tecnologías relacionadas

  • Isaac Lab
  • legged_gym
  • Sistema de referencia de actitud y rumbo (Attitude and Heading Reference System)
  • Estimación de la orientación con cuaterniones (Quaternion Orientation Estimation)
  • Filtros de Mahony y Madgwick (Mahony and Madgwick Filters)

Términos relacionados

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

Proyectos relacionados

  • 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

Este sitio web requiere JavaScript. Por favor, habilite JavaScript para explorar nuestros proyectos de robótica.