Open Source Robotics

Uma coleção selecionada de projetos, ferramentas e software de robótica de código aberto de alta qualidade.

Projected Gravity

  • Também chamado: projected gravity vector, body-frame gravity vector
  • Categoria: Sensing › Proprioceptive
  • Tags: orientation, legged-locomotion, reinforcement-learning, imu, observation-design

A direção unitária da gravidade expressa no sistema de coordenadas do corpo de um robô; ela codifica rolagem e arfagem sem a guinada e é uma entrada de inclinação padrão para políticas aprendidas de locomoção e equilíbrio.

Definição

A gravidade projetada (projected gravity) é a direção da gravidade expressa no sistema de coordenadas de um corpo do robô, geralmente a base ou o tronco. No sistema do mundo, a gravidade aponta diretamente para baixo, (0, 0, -1) como vetor unitário. Rotacioná-la para o sistema do corpo com a transposta da matriz de orientação do corpo dá um vetor de três componentes que muda quando o corpo se inclina. Quando o corpo está ereto, o vetor é (0, 0, -1); à medida que o corpo se inclina de um ângulo θ, a parte horizontal cresce até o comprimento sin θ e a parte vertical diminui para -cos θ. A norma das componentes x e y é, portanto, uma medida direta da inclinação, zero quando ereto e um quando o corpo está de lado, e a direção dessa parte horizontal mostra para que lado o corpo está pendendo.

O principal motivo para usar esse vetor em vez dos ângulos de rolagem, arfagem e guinada é que ele contém exatamente a informação de orientação de que um controlador de equilíbrio ou de locomoção precisa. Ele não é afetado pelo rumo, então uma política se comporta da mesma forma para qualquer lado que o robô esteja voltado, e é uma função suave da orientação, sem a descontinuidade de ângulo e as singularidades dos ângulos de Euler. Por esses motivos, ele é um termo de observação padrão em frameworks de aprendizado por reforço para robôs com pernas e humanoides, como legged_gym e Isaac Lab, e suas componentes horizontais são frequentemente usadas diretamente em recompensas que penalizam a inclinação do corpo.

No hardware, a gravidade projetada vem da estimativa de orientação de uma IMU, geralmente calculada por um filtro que combina dados do giroscópio e do acelerômetro. Ela não é o mesmo que a leitura bruta do acelerômetro: um acelerômetro mede a força específica, que só coincide com a direção da gravidade quando o corpo não está acelerando. Uma política treinada com orientação simulada perfeita pode, portanto, se comportar de forma diferente quando recebe uma estimativa filtrada que atrasa ou é perturbada durante impactos, e é por isso que ruído e atraso costumam ser adicionados a essa observação durante o treinamento. A mesma construção pode ser aplicada a qualquer corpo, como uma bandeja segurada por um humanoide, para medir o quanto ele está nivelado.

Por que importa

A inclinação em relação à gravidade é o sinal de orientação mais importante para manter um robô, ou um objeto que ele carrega, em pé. A gravidade projetada fornece esse sinal em uma forma compacta e independente do rumo, que controladores aprendidos tratam bem, e por isso ela é uma entrada padrão nas observações das políticas de locomoção aprendidas.

Principais aplicações

  • Entrada de observação para políticas aprendidas de locomoção de robôs com pernas e humanoides
  • Termos de recompensa que penalizam a inclinação do corpo ou da carga útil
  • Detecção de quedas e gatilhos de recuperação
  • Equilíbrio de objetos carregados, como bandejas e recipientes
  • Controle sensível à inclinação de manipuladores móveis em rampas

Na prática

Uma equipe treina uma política para que um humanoide carregue uma bandeja sem derramar nada. A observação inclui a gravidade projetada do tronco, vinda da IMU, e a da bandeja, calculada a partir da orientação estimada da bandeja. A recompensa penaliza a norma ao quadrado das componentes horizontais da gravidade da bandeja, que é zero quando a bandeja está nivelada. Durante o treinamento em simulação, ruído e um pequeno atraso são adicionados aos dois vetores para corresponder ao filtro de orientação embarcado. No robô real, a equipe verifica se a convenção de eixos da IMU coincide com a do simulador, já que um eixo trocado ou um erro de sinal nesse vetor faz a política tentar corrigir uma inclinação que não existe.

Equívocos comuns

  • A gravidade projetada é a leitura do acelerômetro — o acelerômetro também mede a aceleração linear, então só coincide com a gravidade quando o corpo não está acelerando
  • Ela codifica a orientação completa — a rotação em torno do eixo da gravidade (guinada) não é representada, o que geralmente é intencional
  • É só os ângulos de rolagem e arfagem com outro nome — ela carrega a mesma informação de inclinação, mas como um vetor unitário suave, sem descontinuidade de ângulo nem singularidades

Quem deve saber

  • Engenheiros de aprendizado por reforço que treinam políticas de locomoção e equilíbrio
  • Engenheiros de controle de robôs com pernas e humanoides
  • Engenheiros que implantam políticas treinadas em simulação em IMUs reais
  • Estudantes de robótica que trabalham com representações de orientação

Tecnologias relacionadas

  • Isaac Lab
  • legged_gym
  • Sistema de referência de atitude e rumo (Attitude and Heading Reference System)
  • Estimativa de orientação com quatérnios (Quaternion Orientation Estimation)
  • Filtros de Mahony e Madgwick (Mahony and Madgwick Filters)

Termos relacionados

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

Projetos 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 site requer JavaScript. Por favor, habilite o JavaScript para explorar nossos projetos de robótica.