Locomotion

• Detto anche: robot locomotion, legged locomotion, robot mobility
• Categoria: Control › Locomotion control
• Tag: locomotion, legged-robot, mobile-robot

La capacità fondamentale che permette a un robot di muoversi nel proprio ambiente, camminando, rotolando, volando e nuotando.

Definizione

La locomozione è la capacità fondamentale che permette a un robot di spostare il proprio corpo nell'ambiente. Comprende l'intera gamma delle strategie di movimento (camminata con zampe, marcia su ruote, avanzamento su cingoli, volo, nuoto e approcci ibridi) insieme ai sistemi di rilevamento, pianificazione e controllo che rendono possibile un movimento affidabile su terreni diversi.

La locomozione con zampe è la forma più studiata e più impegnativa. La locomozione bipede (a due zampe) richiede un equilibrio dinamico: il robot cade continuamente in avanti e si riprende, un processo fondamentalmente instabile che richiede un controllo in retroazione rapido. La locomozione quadrupede (a quattro zampe) offre maggiore stabilità e ha fatto progressi spettacolari grazie all'apprendimento per rinforzo, con robot quadrupedi moderni come Unitree Go2 e Boston Dynamics Spot che superano scale, macerie e terreni esterni irregolari. I robot esapodi (a sei zampe) raggiungono la stabilità statica, cioè possono fermarsi a metà passo senza cadere, il che li rende adatti a movimenti lenti e precisi su terreni estremi.

La locomozione su ruote è più semplice dal punto di vista del controllo, ma è limitata dalla percorribilità del terreno. Trazione differenziale, sterzo Ackermann, trazione omnidirezionale (ruote Mecanum/omnidirezionali) e skid-steering sono configurazioni comuni. La locomozione su cingoli eccelle su terreni morbidi o incoerenti, dove le ruote affonderebbero.

La locomozione aerea comprende i droni multirotore (grande manovrabilità, autonomia limitata), gli aerei ad ala fissa (lungo raggio, volo stazionario limitato) e i progetti ibridi VTOL. La locomozione acquatica spazia dai veicoli di superficie ai ROV subacquei fino ai robot nuotatori bioispirati.

La ricerca moderna sulla locomozione usa sempre più l'apprendimento per rinforzo addestrato in simulazione fisica e trasferito sull'hardware reale. Queste policy di locomozione apprese possono adattarsi ai cambiamenti del terreno, riprendersi dai disturbi e superare ostacoli che metterebbero in difficoltà i controllori tarati a mano. La combinazione dell'apprendimento sim-to-real con la propriocezione (posizioni dei giunti, dati della IMU) ha reso una locomozione con zampe robusta accessibile a piattaforme relativamente economiche.

Perché è importante

La locomozione è il prerequisito più elementare perché un robot sia utile al di fuori di una postazione di lavoro fissa. Un robot che non può muoversi nel proprio ambiente è limitato ai compiti a portata di braccio. La capacità di camminare, rotolare, volare o nuotare in ambienti diversi (case, magazzini, zone disastrate, foreste, oceani) è ciò che trasforma un manipolatore fisso in un agente mobile in grado di operare nel mondo reale. I recenti progressi nella locomozione appresa hanno reso per la prima volta praticabili i robot con zampe, aprendo applicazioni, dalla consegna dell'ultimo miglio all'ispezione delle miniere sotterranee, che prima erano impossibili per le macchine autonome.

Applicazioni principali

• Navigazione dei robot con zampe: quadrupedi e bipedi che superano scale, macerie, pendii e terreni esterni irregolari per ispezione ed esplorazione
• Logistica di magazzino: AMR che navigano in ambienti strutturati per trasportare merci tra le stazioni
• Consegna dell'ultimo miglio: robot su ruote o con zampe che consegnano pacchi in ambienti urbani e suburbani
• Ricerca e soccorso: robot che si muovono tra edifici crollati e zone disastrate dove i veicoli su ruote non possono operare
• Esplorazione planetaria: rover che navigano sul terreno marziano o lunare con pianificazione del percorso autonoma
• Monitoraggio agricolo: robot terrestri e droni che coprono vaste superfici coltivate per controllare la salute delle colture

In pratica

Il robot quadrupede ANYmal dell'ETH di Zurigo rappresenta lo stato dell'arte della locomozione appresa. Addestrata interamente nella simulazione NVIDIA Isaac Gym con l'apprendimento per rinforzo, la policy di locomozione di ANYmal elabora solo dati propriocettivi (posizioni dei giunti, velocità dei giunti e letture della IMU) per produrre comandi di coppia ai giunti a 50 Hz. La policy impara a camminare, trottare e arrampicarsi senza alcuna programmazione esplicita dell'andatura; andature stabili emergono spontaneamente dalla funzione di ricompensa, che incoraggia l'avanzamento penalizzando il consumo energetico e i limiti dei giunti. Impiegato sul robot reale, ANYmal percorre sentieri escursionistici, sale scale industriali e si riprende da spinte e scivolate: capacità che con gli approcci di controllo classici richiedevano anni di taratura manuale.

Idee sbagliate comuni

• I robot con zampe sono intrinsecamente meno efficienti di quelli su ruote: su terreno piano è vero, ma su terreno accidentato le zampe possono scavalcare gli ostacoli mentre le ruote devono aggirarli, il che rende le zampe più efficienti dal punto di vista energetico sui terreni complessi
• La camminata bipede richiede modelli dinamici precisi: le moderne policy di locomozione apprese con l'RL superano spesso i controllori basati su modello, scoprendo strategie di camminata senza equazioni dinamiche esplicite
• Più zampe significano sempre più stabilità: la stabilità dipende dal progetto dell'andatura e dal controllo, non solo dal numero di zampe; un bipede ben controllato può essere in pratica più stabile di un esapode controllato male
• La locomozione è un problema risolto per i robot su ruote: la guida di base è semplice, ma la navigazione autonoma in ambienti dinamici e non strutturati con persone resta impegnativa anche per le piattaforme su ruote

Chi dovrebbe saperlo

• Ingegneri robotici che progettano piattaforme di robot mobili
• Ingegneri del controllo che lavorano su algoritmi di equilibrio e di andatura
• Ricercatori di IA che applicano l'apprendimento per rinforzo al movimento fisico
• Ingegneri di robotica da campo che impiegano robot in ambienti esterni o non strutturati
• Ingegneri meccanici che scelgono configurazioni di trasmissione e di mobilità

Tecnologie correlate

• Generatore centrale di pattern
• Zero moment point
• Apprendimento per rinforzo per la locomozione
• Controllo adattivo al terreno
• Propriocezione
• Trasferimento sim-to-real

Progetti correlati

• XLeRobot: Practical dual-arm mobile home robot for $660 with <4hrs assembly
• OpenCat: An open-source Arduino and Raspberry Pi-based quadruped robot pet framework
• Sesame Robot: Open and affordable mini quadruped robot based on ESP32
• Nav2: ROS 2 navigation stack with path planning and obstacle avoidance for mobile robots
• Open Duck Mini V2: An open-source mini duck robot you 3D-print and build, inspired by Disney's BDX droid
• mjlab: Isaac Lab API on top of GPU-accelerated MuJoCo Warp for RL and robotics research

Video

• Learning Quadrupedal Locomotion over Challenging Terrain: Robotic Systems Lab: Legged Robotics at ETH Zurich
• Humanoid Walking Mechanism: Mohamed Sami