HyperSurf: Quadruped Robot Leg Capable of Surface Recognition with GRU and Real-to-Sim Transferring

📄 arXiv: 2407.15622v2 📥 PDF

作者: Sergei Satsevich, Yaroslav Savotin, Danil Belov, Elizaveta Pestova, Artem Erhov, Batyr Khabibullin, Artem Bazhenov, Vyacheslav Kovalev, Aleksey Fedoseev, Dzmitry Tsetserukou

分类: cs.RO

发布日期: 2024-07-22 (更新: 2024-08-19)

备注: IEEE SMC 2024

💡 一句话要点

HyperSurf：基于GRU和实-虚迁移的四足机器人表面识别腿部系统

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四足机器人 表面识别 GRU网络 实-虚迁移 步态规划

📋 核心要点

  1. 现有四足机器人难以在复杂环境中有效识别地面材质，限制了其运动规划和控制。
  2. 该论文提出一种基于单腿实验平台和GRU网络的表面识别系统，并结合实-虚迁移技术。
  3. 通过单腿平台加速数据采集，并利用实-虚迁移在仿真环境中训练机器人步态，提升泛化性。

📝 摘要（中文）

本文提出了一种用于四足机器人表面识别的数据收集加速和实-虚迁移系统。该系统采用一个机械单腿装置，能够踩踏各种易于更换的表面。此外，它还集成了一个基于GRU的表面识别系统，其灵感来源于Dog-Surf论文中描述的系统。该装置有助于扩展用于模型训练的数据集收集，从而能够在实验室条件下从难以触及的表面获取数据。此外，它还为将表面属性从现实转移到模拟环境开辟了途径，从而可以使用预先准备好的表面数字孪生库在模拟环境中训练腿式机器人的最佳步态。此外，还对基于GRU的表面识别系统进行了增强，允许集成来自四足机器人和单腿装置的数据。数据集和代码已公开。

🔬 方法详解

问题定义：四足机器人在复杂地形上的运动需要准确识别地面材质，以便进行合理的步态规划和力分配。然而，真实环境中的数据采集成本高昂，且难以覆盖所有可能的表面类型。现有的表面识别方法通常依赖于大量真实数据，泛化能力有限。

核心思路：该论文的核心思路是利用一个可控的单腿实验平台，快速收集各种表面类型的数据，并训练一个基于GRU的表面识别模型。同时，通过实-虚迁移技术，将真实表面的属性转移到仿真环境中，从而在仿真环境中训练机器人的步态，提高其在真实环境中的适应性。

技术框架：该系统主要包含三个部分：1) 单腿数据采集平台：用于快速收集各种表面类型的力、加速度等数据；2) 基于GRU的表面识别系统：利用单腿平台和四足机器人采集的数据，训练一个能够识别表面类型的GRU模型；3) 实-虚迁移模块：将真实表面的属性（如摩擦系数、硬度等）转移到仿真环境中，构建表面的数字孪生。

关键创新：该论文的关键创新在于：1) 提出了一个单腿数据采集平台，能够快速、高效地收集各种表面类型的数据；2) 结合GRU网络和实-虚迁移技术，实现了从真实环境到仿真环境的表面属性迁移，从而可以在仿真环境中训练机器人的步态。

关键设计：GRU网络结构的选择：GRU网络能够有效地处理时序数据，适用于分析机器人与地面接触过程中的力、加速度等信号。损失函数的设计：采用了交叉熵损失函数，用于衡量模型预测的表面类型与真实表面类型之间的差异。实-虚迁移方法：通过测量真实表面的物理属性（如摩擦系数），并在仿真环境中设置相应的参数，实现表面属性的迁移。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该论文通过实验验证了所提出的表面识别系统的有效性。实验结果表明，该系统能够准确识别各种表面类型，并且在实-虚迁移后，机器人在仿真环境中训练的步态能够有效地迁移到真实环境中。具体性能数据未知，但论文强调了数据收集效率的提升和仿真训练的可行性。

🎯 应用场景

该研究成果可应用于各种需要在复杂地形中行走的四足机器人，例如搜救机器人、巡检机器人和物流机器人。通过准确识别地面材质，机器人可以更好地规划步态，提高运动效率和稳定性，从而在复杂环境中完成各种任务。此外，该方法还可以推广到其他类型的机器人，例如轮式机器人和履带式机器人。

📄 摘要（原文）

This paper introduces a system of data collection acceleration and real-to-sim transferring for surface recognition on a quadruped robot. The system features a mechanical single-leg setup capable of stepping on various easily interchangeable surfaces. Additionally, it incorporates a GRU-based Surface Recognition System, inspired by the system detailed in the Dog-Surf paper. This setup facilitates the expansion of dataset collection for model training, enabling data acquisition from hard-to-reach surfaces in laboratory conditions. Furthermore, it opens avenues for transferring surface properties from reality to simulation, thereby allowing the training of optimal gaits for legged robots in simulation environments using a pre-prepared library of digital twins of surfaces. Moreover, enhancements have been made to the GRU-based Surface Recognition System, allowing for the integration of data from both the quadruped robot and the single-leg setup. The dataset and code have been made publicly available.