İnsansı Robotların Yürümesi: Robotlar İnsanlar Gibi Yürümeyi Nasıl Öğreniyor?

İnsansı robotların yürümesi, robotikteki en zorlu problemlerden biridir. Robotun çok sayıda eklemi koordine etmesi, nispeten küçük iki ayak üzerinde dengesini koruması, sensör geri bildirimlerine yanıt vermesi ve koşullar değiştikçe hareketlerini uyarlaması gerekir.

Tekerlekli bir robotun aksine, insansı bir robot gövdesini basitçe ileri doğru hareket ettiremez. Her adım, kütle merkezinin konumunu ve zemine etki eden kuvvetleri değiştirir. Bu nedenle yürüme; mekanik tasarım, algılama, hareket planlaması, kontrol ve giderek daha fazla yapay zekânın bütünleştirilmesini gerektirir.

Bazı Önemli Noktalar

İnsansı robotların yürümesi; hareket planlaması, durum kestirimi, denge kontrolü ve eklem seviyesinde kontrolü bir araya getirir.

Modern sistemler, ZMP ve MPC gibi model tabanlı yöntemleri pekiştirmeli öğrenme gibi öğrenme tabanlı yaklaşımlarla birleştirebilir.

Başarılı bir lokomosyon hem yazılıma hem de aktüatörler, sensörler, mekanik uyumluluk ve verimli enerji kullanımı gibi donanım unsurlarına bağlıdır.

İnsansı Robotların Yürümesiyle İlgili Terminoloji

ZMP — Sıfır Moment Noktası (Zero Moment Point): İki ayaklı lokomosyonda dinamik dengeyi analiz etmek için kullanılan klasik bir kavramdır.

MPC — Model Öngörülü Kontrol (Model Predictive Control): Gelecekteki sistem davranışını sürekli olarak öngören ve sınırlı bir öngörü ufku boyunca eylemleri optimize eden bir kontrol yöntemidir.

IK — Ters Kinematik (Inverse Kinematics): Bir robotun bir uzvunu istenen konum ve yönelime getirmek için gereken eklem konfigürasyonlarını hesaplar.

Ters Dinamik (Inverse Dynamics): Robotun dinamiklerini dikkate alarak istenen hareketi üretmek için gereken kuvvetleri ve torkları hesaplar.

RL — Pekiştirmeli Öğrenme (Reinforcement Learning): Bir ajanın etkileşim ve ödül yoluyla davranış öğrenmesini sağlayan bir makine öğrenmesi yaklaşımıdır.

CPG — Merkezi Örüntü Üreteci (Central Pattern Generator): Kısmen biyolojik lokomosyondan esinlenen, ritmik hareket örüntüleri üretmeye yönelik bir mekanizmadır.

Durum Kestirimi (State Estimation): Robotun mevcut fiziksel durumunu tahmin etmek için sensör ölçümlerinin birleştirilmesi sürecidir.

İnsansı Robotların Yürümesi: Komuttan Harekete

Bir insansı robotun yürüme sistemi bir işlem hattı olarak anlaşılabilir:

Yürüme komutu → hareket planlaması → sürekli durum kestirimi + algılama → lokomosyon kontrolü → eklem komutları → aktüatörler

Kesin mimari robottan robota değişir. Bazı sistemler büyük ölçüde model tabanlı kontrole dayanırken, diğerleri öğrenilmiş politikalara dayanır. Günümüzdeki birçok yaklaşım ise her ikisini birleştirir.

Eylem Dizisi

1. İstenen Hareketi Belirleme

Robot aşağıdaki gibi bir komut alır:

İleri yürü

Geri yürü

Dön

Dur

Hızı değiştir

Bir hedefe doğru hareket et

Üst düzey bir planlayıcı istenen yönü ve hızı belirler. Lokomosyon sistemi bu hedefi uygun ayak yerleşimlerine ve gövde hareketlerine dönüştürür.

2. Ayak Yerleşimini Planlama

Robot her ayağın nereye basması gerektiğini belirler.

Ayak yerleşimi kritiktir çünkü ayaklar robotun destek alanını belirler. Yanlış konumlandırılmış bir ayak, dengeyi korumayı zorlaştırabilir veya imkânsız hale getirebilir.

Geleneksel insansı robot yürüme sistemleri, lokomosyonu planlamak ve kontrol etmek için Sıfır Moment Noktası (ZMP) gibi kavramları kullanmıştır.

ZMP ve Dinamik Yürüme

Sıfır Moment Noktası (ZMP), iki ayaklı robotlarda dinamik dengeyi analiz etmek için kullanılan klasik bir kavramdır.

Basitleştirilmiş olarak ZMP, robotun hareketi ve yer tepki kuvvetleriyle ilişkili momentlerin dinamik stabilite için gereken koşulları sağladığı zemindeki bir noktayı tanımlar. ZMP’yi uygun bir destek bölgesi içinde tutmak robotun devrilmesini önlemeye yardımcı olur.

ZMP tabanlı yürüme yalnızca statik yürüme değildir. Bir robot dinamik olarak hareket ederken ve ağırlığını ayakları arasında aktarırken ZMP’yi kullanabilir.

Klasik ZMP tabanlı yaklaşımların bir sınırlaması, sürekli zemin teması bulunan lokomosyon için özellikle uygun olmalarıdır. Koşma ve zıplama gibi havada kalma fazları içeren yüksek dinamikli hareketlere doğal olarak daha az uygundurlar.

Bu nedenle modern insansı robot sistemleri Model Öngörülü Kontrol (MPC), tüm gövde kontrolü, temas kuvveti optimizasyonu ve öğrenme tabanlı yaklaşımlar gibi yöntemleri kullanır.

MPC, robotun kısa bir gelecek öngörü ufku boyunca nasıl hareket edeceğini tekrar tekrar tahmin eder ve eylemlerini buna göre ayarlar.

Sürekli Durum Kestirimi ve Algılama

Bir yürüme kontrolörü, robotun mevcut durumunu sürekli olarak bilmeden iyi kararlar veremez.

İnsansı robotlar aşağıdaki gibi sensörleri kullanır:

Ataletsel Ölçüm Birimleri (IMU’lar)

Eklem enkoderleri

Kuvvet ve tork sensörleri

Ayak basınç sensörleri

Kameralar ve diğer algılama sensörleri

Bu ölçümler durum kestirimi yoluyla aşağıdakileri tahmin etmek için birleştirilir:

Gövde yönelimi

Eklem konumları

Eklem hızları

Gövde hızı

Ayak-zemin teması

Konum

Harici bozucular

Bir IMU yönelim ve ivmedeki değişiklikleri algılayabilirken, eklem enkoderleri eklem konumlarını sağlar. Ayak basınç sensörleri, bir ayağın robotu destekleyip desteklemediğini belirlemeye yardımcı olabilir.

Modern sistemler bu özduyusal (proprioseptif) bilgileri görüntüyle de birleştirebilir. Derinlik kameraları ve diğer görsel sensörler araziyi belirleyebilir, yüksekliği tahmin edebilir, uygun basma noktalarını seçebilir ve tepkisel yeniden planlamayı destekleyebilir.

Sonuç, sürekli bir geri besleme döngüsüdür:

Algıla → kestir → planla/kontrol et → hareket et → yeniden algıla

3. Kütle Merkezini Kaydırma

Bir ayağı kaldırmadan önce robot, ağırlığının yeterli bir bölümünü destek ayağına aktarmalıdır.

Bu işlem kalçaların, pelvisin, gövdenin, dizlerin ve ayak bileklerinin koordineli hareketini gerektirir. Bir eklemin hareket ettirilmesi vücudun diğer bölümlerinin konumunu ve momentumunu değiştirir; bu da insansı robotların yürümesini temelde bir tüm gövde kontrolü problemi haline getirir.

4. Ayağı Hareket Ettirme ve Yerleştirme

Robot, ağırlığını destek ayağına yeterince aktardıktan sonra diğer ayağını kaldırır ve planlanan konuma doğru hareket ettirir.

Salınım yapan bacak:

Yerden kalkmalıdır

Engellerden kaçınmalıdır

Planlanan konuma ulaşmalıdır

Doğru yönelime sahip olmalıdır

Zeminle kontrollü temas kurmalıdır.

Planlanan hareketi bireysel eklemlere bağlayan iki teknik vardır.

Ters Kinematik

Ters Kinematik (IK), robotun ayağı gibi belirli bir bölümünü istenen konum ve yönelime yerleştirmek için gereken eklem konfigürasyonlarını belirler.

İstenen ayak konumu → IK → eklem konumları

Ters Dinamik

Ters Dinamik, istenen hareketi üretmek için gereken kuvvetleri ve ivmeleri dikkate alır.

İstenen hareket + robot dinamikleri → gereken eklem torkları

Bu teknikler birlikte, planlanan bir yürüme yörüngesi ile robotun aktüatörlerine gönderilen komutlar arasındaki bağlantıyı kurar.

5. Ağırlığı Aktarma ve Tekrarlama

Ayak zemine temas ettikten sonra robot ağırlığını yeni destek ayağına aktarır.

Önceki destek ayağı salınım ayağı haline gelir ve süreç tekrarlanır.

İnsansı Robotların Yürümesi Hibrit Bir Dinamik Sistemdir

Yürüme, sürekli hareketi temas durumundaki ayrık değişimlerle birleştirir.

Bir ayak havadayken robot bir dinamik kümesine göre hareket eder. Bu ayak zemine dokunduğunda robot üzerinde etkili olan kuvvetler ve kısıtlamalar aniden değişir. Robot daha sonra karşı ayağını kaldırmadan önce tek destek ve çift destek fazları arasında geçiş yapabilir.

Bu durum insansı lokomosyonu hibrit bir dinamik sistem haline getirir: sürekli fiziksel hareket ile ayrık temas olaylarının birleşimi.

Modern kontrolörler, robot engebeli arazide yürürken, yön değiştirirken veya beklenmedik bir temasla karşılaştığında bu değişen temas modlarını açıkça hesaba katabilir.

Yürüme Hareketi Üretmeye Yönelik Farklı Yaklaşımlar

Tüm insansı robotların yürüme davranışını üretmek için kullandığı tek bir yöntem yoktur.

Model Tabanlı Kontrol

Model tabanlı yaklaşımlar, robotun ve dinamiklerinin matematiksel modellerini kullanarak nasıl hareket etmesi gerektiğini hesaplar.

ZMP tabanlı yöntemler ve MPC, model tabanlı yaklaşımlara örnektir.

Merkezi Örüntü Üreteçleri

Merkezi Örüntü Üreteçleri (CPG’ler), her bir hareket için ayrı bir komut gerektirmeden ritmik örüntüler üretir.

Bunlar, sinir sistemlerinin yürümeyle ilişkili tekrarlayan örüntüler üretmesinde olduğu gibi, kısmen biyolojik lokomosyondan esinlenmiştir.

Robotikte CPG’ler ritmik bacak hareketleri üretebilir ve tekrarlayan lokomosyonu koordine edebilir.

Pekiştirmeli Öğrenme

Pekiştirmeli Öğrenme (RL) farklı bir yaklaşım izler. Araştırmacılar her hareketi manuel olarak belirtmek yerine, bir sistemi bir ortamla tekrar tekrar etkileşime sokarak eğitir.

Öğrenme sistemi aşağıdaki hedefler için ödüllendirilebilir:

İleri hareket etmek

Dengeyi korumak

İstenen hızı takip etmek

Düşmelerden kaçınmak

Bozulmalardan kurtulmak

Gereksiz enerji kullanımını azaltmak

Öğrenilmiş politika daha sonra robotun mevcut durumuna göre hareket üretebilir.

Pekiştirmeli Öğrenme Geleneksel Kontrolün Yerini Basitçe Almaz

Modern insansı robot lokomosyonu şu şekilde basit bir ilerleme olarak görülmemelidir:

ZMP → MPC → Yapay Zekâ

Bu yöntemler aynı sistemin farklı seviyelerinde bulunabilir.

Basitleştirilmiş bir HİBRİT mimari şöyle görünebilir:

Sensörler
↓
Durum kestirimi + algılama
↓
Öğrenilmiş lokomosyon politikası / hareket planlayıcısı
↓
MPC veya tüm gövde kontrolörü
↓
Ters dinamik
↓
Eklem torku komutları
↓
Aktüatörler

Üst düzey sistem istenen hızı, ayak yerleşimlerini veya temas programını belirleyebilir. Daha düşük seviyedeki kontrolörler ise tork sınırları, sürtünme sınırları, temas koşulları ve dinamik uygulanabilirlik gibi kısıtlamaları uygulayabilir.

Kesin görev dağılımı robotlara göre değişir. Bazı sistemler öğrenilmiş politikalara daha fazla dayanırken, diğerleri model tabanlı kontrolörlere daha fazla sorumluluk yükler.

Bu nedenle öğrenme tabanlı ve model tabanlı yaklaşımlar mutlaka alternatif değildir. Yapay zekâ yararlı hareketi belirleyebilirken geleneksel kontrol, ortaya çıkan davranışın fiziksel olarak uygulanabilir ve kararlı olmasını sağlamaya yardımcı olabilir.

Gerçek Robottan Önce Simülasyon

Doğrudan fiziksel bir insansı robot üzerinde eğitim yapmak pahalı ve riskli olabilir.

Yeni bir yürüme davranışını öğrenirken robot tekrar tekrar düşebilir ve bu durum motorlara, dişli kutularına, sensörlere veya yapısal bileşenlere zarar verebilir.

Simülasyon, deneyler için daha güvenli bir ortam sağlar. Araştırmacılar sanal bir robotu aşağıdaki unsurları değiştirerek eğitebilir:

Zemin sürtünmesi

Arazi özellikleri

Robot kütlesi

Sensör gürültüsü

Harici bozucular

Aktüatör davranışı

Başlıca zorluklardan biri simülasyondan gerçeğe aktarım farkıdır (sim-to-real gap): simüle edilen robot ile fiziksel robot arasındaki farklılıklar.

Gerçek dünyadaki sürtünme, mekanik boşluk, sensör gürültüsü, aktüatör sınırlamaları ve darbeleri simülasyonda kusursuz biçimde yeniden üretmek zordur.

Araştırmacılar aktarımı iyileştirmek için dinamik rastgeleleştirme, sistem tanımlama, alan uyarlama ve artık öğrenme kullanabilir. DeepMind’ın futbol robotu çalışmasında hedeflenmiş dinamik rastgeleleştirme ve bozucular, gerçek robotlara sıfır atışlı aktarımın gerçekleştirilmesine yardımcı olmuştur.

Öğrenme Tabanlı Yürümeye Gerçek Bir Örnek

Yararlı bir örnek olarak, Google DeepMind’ın küçük bir insansı futbol robotu üzerine yaptığı araştırmayı verebiliriz.

2024 yılında Science Robotics’te yayımlanan bir çalışmada araştırmacılar, 20 aktüatörlü ekleme sahip düşük maliyetli, minyatür bir Robotis OP3 insansı robotunu basitleştirilmiş bire bir futbol oyunu oynaması için eğitti. Robot simülasyonda eğitildi ve öğrenilen becerileri fiziksel robotlara aktarıldı. Sistem yürüme, dönme, topa vurma ve düşmelerden kurtulma gibi davranışları öğrendi.

Bu deneydeki komut dosyasıyla oluşturulmuş temel yöntemle karşılaştırıldığında, eğitilmiş robotlar:

%181 daha hızlı yürüdü

%302 daha hızlı döndü

%63 daha hızlı ayağa kalktı

%34 daha hızlı topa vurdu

Bu sayılar yalnızca söz konusu deneydeki karşılaştırmayı ifade eder; insansı robotlar için genel bir kıyaslama veya pekiştirmeli öğrenmenin evrensel olarak sağladığı bir iyileşme olarak değerlendirilmemelidir. Bu sonuçlar küçük bir araştırma platformunda elde edilmiştir ve daha büyük insansı robotlara doğrudan aktarılmamalıdır; çünkü tam boyutlu insansı robotlar daha büyük tork, termal, yapısal ve darbe kısıtlamalarıyla karşı karşıyadır.

Deney, öğrenilmiş lokomosyon becerilerinin simülasyonda eğitilebileceğini ve fiziksel donanıma aktarılarak çevik davranışlar üretebileceğini göstermiştir.

Donanım da Yazılım Kadar Önemlidir

Gelişmiş bir yürüme algoritması, yetersiz donanımı sonsuza kadar telafi edemez.

İnsansı lokomosyon, aktüatörler ve mekanik yapı üzerinde yüksek talepler oluşturur.

Yüksek Tork Yoğunluklu Aktüatörler

Robotun gövdesini hızlandırabilmesi ve kontrol edebilmesi için eklemleri nispeten kompakt ve hafif tutarken yeterli torka ihtiyacı vardır.

Yüksek tork yoğunluğu özellikle bacaklarda önemlidir çünkü aktüatörlerin robot kütlesinin önemli bir bölümünü tekrar tekrar desteklemesi ve hareket ettirmesi gerekir.

Uyumluluğu Olan Eklemler

Bazı insansı robotlar mekanik veya elektriksel olarak kontrol edilen uyumluluk kullanır.

Uyumluluk, ayak zemine temas ettiğinde darbelerin emilmesine yardımcı olabilir ve çevreyle etkileşimi daha az rijit hale getirebilir.

Sensörler

Doğru eklem, ataletsel, kuvvet ve algılama sensörleri kritik öneme sahiptir çünkü kontrolör robot ve çevresi hakkında güvenilir bilgiye ihtiyaç duyar.

Sonuç olarak dinamik yürüme, mekanik kapasite ile kontrol zekâsının birleşimidir.

Enerji ve Batarya Kısıtlamaları

Yürümenin temel bir enerji problemi vardır.

Bir insansı robot, kendi bataryalarını taşırken bacaklarını, gövdesini ve kollarını tekrar tekrar hızlandırıp yavaşlatmalıdır. Bu nedenle verimsiz hareketler çalışma süresini önemli ölçüde azaltabilir.

Enerji verimliliği genellikle Enerji Taşıma Maliyeti (Cost of Transport, CoT) ile değerlendirilir. Bu metrik, hareket için gereken enerjiyi robotun ağırlığı ve kat edilen mesafeyle ilişkilendirir. Daha düşük CoT genellikle daha ekonomik lokomosyon anlamına gelir. CoT, robotik ve biyolojik hareketin enerji ekonomisini karşılaştırmak için yaygın olarak kullanılır.

Enerji verimliliği aktüatör seçimini, robot ağırlığını, yürüyüş biçimini, batarya kapasitesini, soğutma gereksinimlerini ve görev süresini etkiler.

Bir robot çok dinamik hareketler gerçekleştirebilir, ancak bu hareketler çok fazla enerji tüketiyorsa uzun süreli çalışma için pratik olmayabilir.

Dolayısıyla verimli yürüme, aynı zamanda robotun ekonomik hareket etmesini sağlamaktır.

Gerçek Dünya Koşullarına Uyum

Tamamen düz bir laboratuvar zemininde yürümek yalnızca başlangıçtır.

Kullanışlı bir insansı robotun sonunda şunlarla başa çıkması gerekir:

Engebeli zeminler

Eğimler

Merdivenler

Farklı sürtünme seviyeleri

Beklenmedik engeller

Harici itmeler

Yakınında hareket eden insanlar

Görüntüleme, robotun bu ortamları anlamasına yardımcı olabilir. Derinlik bilgisi ve arazi temsilleri uygun basma noktalarının seçilmesini destekleyebilirken, tepkisel yeniden planlama ortamın ilk plandan farklı olduğu durumlarda yürüme stratejisini değiştirebilir.

Robotun ayağı beklenenden farklı bir şekilde yere basarsa, kontrolörün gövdenin geri kalan hareketini derhal değiştirmesi gerekebilir.

Bozuculara bu şekilde tepki verebilme yeteneği, dikkatle komut dosyası önceden hazırlanmış bir gösteri ile anlık planlama gerektiren gerçek dünya lokomosyonu arasındaki önemli farklardan biridir.

Riskler ve Sınırlamalar

Hızlı ilerlemeye rağmen insansı robotların yürümesi hâlâ önemli mühendislik zorlukları barındırmaktadır.

Düşme

İki ayaklı bir robotun çok ayaklı robotlara kıyasla nispeten küçük bir destek alanı vardır. Bu nedenle önemli bir yürüme hatası dengenin tamamen kaybedilmesine yol açabilir.

Enerji Tüketimi

Dinamik yürüme önemli miktarda enerji tüketebilir. Bir robot hareketlilik ve performans ile batarya kapasitesi ve çalışma süresi arasında denge kurmalıdır.

Donanım Gerilimi

Yürüme, motorlar, dişli kutuları, rulmanlar, eklemler ve yapısal bileşenler üzerinde tekrarlanan yükler oluşturur. Son derece dinamik hareketler mekanik aşınmayı artırabilir.

Beklenmeyen Arazi

Ağırlıklı olarak öngörülebilir yüzeyler üzerinde eğitilmiş bir kontrolör, önemli ölçüde farklı bir araziyle karşılaştığında zorlanabilir.

Güvenlik

Bir insansı robot, düşme veya çarpışmanın güvenlik riski oluşturabileceği kadar ağır ve güçlü olabilir. Endüstriyel kullanım ayrıca tork ve hız sınırları, düşme algılama ve kontrollü çalışma modları gibi güvenlik önlemleri gerektirir.

Sonuç: Yürümekten Dinamik Tüm Gövde Becerilerine — Dans, Dövüş Sanatları, Akrobasi ve Daha Fazlası

Modern insansı robotik, düz bir zeminde düşmeden yürümenin başlı başına önemli bir dönüm noktası olduğu dönemlerin çok ötesine geçmiştir. Günümüzün önde gelen insansı robotları taklalar, önden taklalar, parkur tarzı hareketler, dövüş sanatları dizileri, hızlı yön değişimleri, senkronize hareketler ve büyük bozucular sonrasında toparlanma gerçekleştirebilmektedir. Bu makalenin yayınlandığı günlerde Çin’de gerçekleştirilmekte olan Dünya İnsansı Robot Oyunlarında bunların en çarpıcı örnekleri görülüyor. Bu yüksek dinamikli davranışlar artık tek bir araştırma atılımının izole gösterimleri değildir; laboratuvar deneylerinde, halka açık gösterilerde ve şirket tanıtımlarında da artık çok sık görülmektedir. Günümüzde zorluk, artık yalnızca dinamik hareketi gerçekleştirmekten ziyade, bu yetenekleri kontrol edilebilir, uyarlanabilir, tekrarlanabilir ve gerçek dünya görevlerinde kullanışlı hale getirmeye kaymıştır.

Peki bir robot kung-fu hareketleri veya dans rutini gibi karmaşık bir hareketi gerçekte nasıl üretir? Şimdi bunlar için detaya inmeyeceğiz, ancak yinede özet olarak bahsetmek, önceki paragraflarda ele alınan bilgilerin biraz daha pekişmesi açısından faydalı olabilir. 

Üst düzeyde, karmaşık bir hareketin öncelikle tüm gövde hareketi olarak temsil edilmesi gerekir: gövde, kollar, bacaklar, eller ve ayaklar için istenen konum ve yönelimler zaman içinde belirtilirken, robotun çevreyle ne zaman ve nerede temas kurmasının veya teması kesmesinin beklendiğine ilişkin bilgiler de tanımlanır. Bu referans hareket, hareket yakalamadan, insan gösterilerinden, animasyondan, manuel olarak tasarlanmış yörüngelerden veya öğrenilmiş bir politikadan gelebilir. Hareket yeniden hedefleme (motion retargeting), bir insan hareketini veya referans hareketi robotun farklı vücut oranlarına ve eklem sınırlarına uyarlar; ardından yörünge optimizasyonu veya öğrenilmiş bir kontrolör, hareketi yalnızca görsel olarak benzer olmak yerine gerçek robot üzerinde dinamik olarak uygulanabilir hale getirmek için değiştirebilir.

Ortaya çıkan hareket, bir video gibi basitçe oynatılmaz. Yürümede kullanılan aynı IK, ters dinamik ve tüm gövde kontrolü katmanları; robotun kütlesini, ataletini, temaslarını, tork sınırlarını, sürtünmeyi ve eklem kısıtlamalarını hesaba katarak çok daha karmaşık tüm gövde yörüngelerini koordine etmelidir. Robot itilirse veya planlanan yörüngeden biraz farklı bir şekilde yere inerse, durum kestirimi değişikliği algılar ve kontrolör, başlangıçta planlanan diziyi körü körüne sürdürmek yerine hareketi değiştirebilir.

Son derece dinamik hareketler için öğrenme özellikle güçlü hale gelir. Genellikle alan rastgeleleştirmesi ve hareket yakalama veya diğer hareket öncülleriyle birlikte devasa ölçekte simülasyonda eğitilen derin pekiştirmeli öğrenme, koşma, zıplama, tekmeleme, toparlanma ve akrobatik hareketler için kontrol politikaları keşfedebilir. Donanıma zarar vermeden milyonlarca simüle edilmiş deneme gerçekleştirilebilir; kütlelerin, sürtünmenin, aktüatör özelliklerinin, gecikmelerin ve harici bozucuların rastgeleleştirilmesi, ortaya çıkan politikaların simülasyon ile gerçek dünya arasındaki farklılıklara karşı daha dayanıklı olmasını sağlayabilir. Simülasyondan gerçeğe aktarım sonrasında öğrenilmiş politikalar model tabanlı kontrol ile birleştirilebilir. Üst düzey bir sistem amaçlanan hareketi belirleyebilir. Öğrenme tabanlı ve model tabanlı katmanlar daha sonra hareketi fiziksel olarak uygulanabilir tutmak ve beklenmedik temaslara veya bozuculara tepki vermek için sürekli birlikte çalışabilir.

Bu diziler, aynı zamanda bu makalenin önceki bölümlerinde ele alınan insansı hareketin hibrit dinamik doğasını da gösterir. Bir robot farklı temas modları arasında hızla geçiş yapabilir: iki ayak üzerinde durmak, tek ayak üzerinde durmak, bir nesneye temas etmek, bir sıçramanın ardından yere inmek veya hiç zemin teması olmadan hareket etmek. Taklalar ve diğer havadaki hareketler, hareketin bir bölümünde destekleyen bir ayak bulunmayabileceği için yürümekten özellikle farklıdır. Robot, uzuvlarının ve gövdesinin koordineli hareketleriyle yönelimini ve açısal momentumunu kontrol etmeli, ardından tam zamanında gerçekleşecek bir inişe hazırlanmalıdır. Bu nedenle sıradan yürüme için kullanılan teknikler bir arka takla üretmek üzere basitçe ölçeklendirilemez: kontrolörün farklı temas modlarını, momentumu, uçuş dinamiklerini ve darbe koşullarını ele alması gerekir.

Bu gelişmeler tek bir teknik veya atılımdan kaynaklanmaz. Mekanik tasarım, yüksek performanslı aktüasyon, durum kestirimi, algılama, hareket planlaması, tüm gövde kontrolü, model tabanlı yöntemler, öğrenme, simülasyon ve enerji sistemleri arasında giderek daha sıkı bir entegrasyona dayanır. En yetenekli insansı robotlar bu nedenle herhangi bir tek bileşenle değil, bu sistemlerin birleşik bir tüm gövde platformu olarak ne kadar etkili çalıştığıyla tanımlanacaktır. Geriye kalan mühendislik sorunu artık yalnızca “Bir insansı robot yürüyebilir veya akrobasi yapabilir mi?” sorusu değildir; asıl soru, bu yeteneklerin yapılandırılmamış insan ortamlarında uzun süreler boyunca güvenilir, verimli, güvenli ve kullanışlı davranışlarla birleştirilip birleştirilemeyeceğidir. Uzun süreli çalışma, düşük enerji tüketimi, belirsizliğe karşı dayanıklılık, hızlı toparlanma ve lokomosyon ile el becerisine dayalı manipülasyon arasındaki kusursuz geçişler hâlâ önemli sınırları oluşturmaktadır.

Yürüme hâlâ temel bir yetenektir, ancak artık çok daha zengin bir dinamik tüm gövde kontrolü ve fiziksel zekâ yığınının yalnızca bir katmanıdır. Bu daha geniş yapı kendi başına daha yakından incelenmeyi hak etmektedir. Gelecekteki makalelerde insansı robotların koşma, zıplama, dövüş sanatları hareketleri, dans ve akrobasi gibi dinamik davranışları nasıl ürettiği ve kontrol ettiği; hareket yakalama ve hareket yeniden hedeflemeden pekiştirmeli öğrenmeye, tüm gövde kontrolüne, simülasyondan gerçeğe aktarıma ve havadaki dinamiklere kadar daha ayrıntılı biçimde ele alınacaktır.

Yazan: A. Tüter

Kullanım Koşulları: İçeriklerimizin her hakkı saklıdır, izinsiz olarak kopyalanamaz, yayınlanamaz. Paylaşımlarımızı tarihli olarak kaydetmekteyiz. İçeriklerimizde hata ve eksiklikler olabilir. Bahsi geçen ticari markalar sahiplerine aittir; bunlarla bağlantımız bulunmamaktadır ve bu içerik onay anlamı taşımaz. Kullanım koşulları sayfamızı ziyaret ediniz.