Ein humanoider Roboter für 5.000 Dollar aus dem 3D-Drucker und Python

Wenn Sie sich jemals die Preisschilder von kommerziellen zweibeinigen Robotern wie dem Unitree H1 oder Boston Dynamics Atlas angesehen haben, wissen Sie, dass das Budget in Zehn- und Hunderttausenden von Dollar gemessen wird. Das Hybrid Robotics Lab in Berkeley hat sich für einen anderen Ansatz entschieden und den Berkeley Humanoid Lite vorgestellt. Dieser vollständig quelloffene anthropomorphe Roboter kann für unter 5.000 Dollar zusammengebaut werden.

Das Projekt umfasst 3D-druckbare Teilkonstruktionen, modulare Getriebeboxen, Isaac Lab-Simulationen und Low-Level-Hardware-Steuerungscode.

Unter der Haube

Die größte Herausforderung bei Laufrobotern liegt in den Gelenken und Getriebeboxen. Industrielle Harmonic- oder Cycloidgetriebe sind teuer. Die Autoren haben modulare Getriebeboxen entwickelt, die auf einem Standarddrucker gedruckt und mit erschwinglichen bürstenlosen Motoren kombiniert werden können.

Das Repository ist als Erweiterungen für NVIDIA Isaac Lab strukturiert. Die Architektur ist in vier Teile gegliedert:

• source/berkeley_humanoid_lite/ enthält die virtuelle Umgebung, Belohnungen und Aufgabendefinitionen für das Reinforcement-Learning-Training in Isaac Lab.
• source/berkeley_humanoid_lite_assets/ speichert 3D-Modelle in URDF-, MJCF- und USD-Formaten zusammen mit Export-Skripten aus dem Onshape CAD-System.
• source/berkeley_humanoid_lite_lowlevel/ enthält den gesamten C++- und Python-Code, der direkt auf den Onboard-Computer des Roboters deployed wird.
• scripts/ kombiniert Einstiegspunkte für das Starten von neuronalem Netzwerktraining, Sim2sim-Tests und Kalibrierung.

Diese Trennung ist praktisch. Um Algorithmen im Simulator auszuführen, benötigen Sie keine physische Hardware. Und wenn es an den Zusammenbau geht, wird nur der Low-Level-Ordner auf den Mikrocontroller oder Single-Board-Computer übertragen.

So funktioniert die Pipeline: Von der Simulation zum Gehen

Einen zweibeinigen Roboter zu trainieren, um im echten Leben zu laufen, ist gefährlich und teuer. Er wird beim ersten Sturz Teile zerbrechen. Deshalb verwenden die Autoren eine Sim-to-Real-Transferkette:

1. Training der Steuerungsrichtlinie mit Reinforcement Learning auf einer GPU im Simulator mit parallelen Umgebungen.
2. Sim2sim-Verifizierung, bei der die resultierenden Gewichte in genaueren Physik-Engines mit hinzugefügtem Sensorrauschen ausgeführt werden.
3. Deployment auf den physischen Roboter durch die Low-Level-Schnittstelle.

Das Repository enthält auch Motion-Capture- (Mocap) und Teleoperationsmodule. Der Roboter kann manuell mit einem Gamepad oder einer VR-Brille für Handmanipulationen gesteuert werden.

Wo anfangen

Um die Simulation auszuführen, benötigen Sie eine Maschine mit einer NVIDIA-GPU und einem konfigurierten Isaac Lab. Der Workflow wird jedem vertraut vorkommen, der mit Python 3.11 gearbeitet hat:

# Клонируем репозиторий вместе с субмодулями
git clone https://github.com/HybridRobotics/Berkeley-Humanoid-Lite.git
cd Berkeley-Humanoid-Lite

# Устанавливаем окружение как расширение Isaac Lab
pip install -e source/berkeley_humanoid_lite
pip install -e source/berkeley_humanoid_lite_assets

# Запуск инференса или обучения
python scripts/reinforcement_learning/rsl_rl/train.py --task Berkeley-Humanoid-Lite-Walk

Alle CAD-Modell-Quelldateien sind öffentlich auf Onshape verfügbar, und die Autoren haben die druckfertigen STL-Dateien und die Stückliste (BOM) für gekaufte Teile im GitBook-Dokumentationsportal veröffentlicht.

Lohnt es sich, es zu versuchen

Wenn Ihr Ziel die Erforschung von Lokomotionsalgorithmen, Balancekontrolle oder das Testen Ihrer eigenen RL-Modelle auf einem echten Humanoiden ohne Millionen-Dollar-Zuschüsse ist, verdient dieses Projekt definitiv ein Lesezeichen.

Natürlich erreicht 3D-gedruckter Kunststoff nicht die Steifigkeit von gefrästem Luftfahrtaluminium. Die Zahnräder verschleißen schneller, und die Positionierungsgenauigkeit driftet bei Erwärmung ab. Aber für 5.000 Dollar und mit einem quelloffenen Codebase unter der MIT-Lizenz ist es eine ausgezeichnete Grundlage für Universitätslabore, Hackathons und Robotik-Enthusiasten.