Humanoid za 5000 dolarów z drukarki 3D i Pythona

Jeśli kiedykolwiek patrzyłeś na ceny komercyjnych robotów dwunożnych takich jak Unitree H1 czy Boston Dynamics Atlas, wiesz że budżet liczony jest w dziesiątkach i setkach tysięcy dolarów. Laboratorium Hybrid Robotics na Berkeley postanowiło pójść inną drogą i zaprezentowało Berkeley Humanoid Lite. Ten w pełni open-source antropomorficzny robot może być złożony za mniej niż 5000 dolarów.

Projekt zawiera projekty części do druku 3D, modułowe skrzynie biegów, symulacje Isaac Lab oraz kod niskopoziomowej kontroli sprzętowej.

Pod maską

Głównym wyzwaniem w robotach kroczących są przeguby i skrzynie biegów. Przemysłowe napędy harmoniczne lub cykloidalne są drogie. Autorzy zaprojektowali modułowe skrzynie biegów, które można wydrukować na standardowej drukarce i połączyli je z niedrogimi silnikami bezszczotkowymi.

Repozytorium jest zorganizowane jako zestaw rozszerzeń dla NVIDIA Isaac Lab. Architektura podzielona jest na cztery części:

• source/berkeley_humanoid_lite/ zawiera środowisko wirtualne, nagrody i definicje zadań do treningu uczenia ze wzmocnieniem w Isaac Lab.
• source/berkeley_humanoid_lite_assets/ przechowuje modele 3D w formatach URDF, MJCF i USD wraz ze skryptami eksportu z systemu CAD Onshape.
• source/berkeley_humanoid_lite_lowlevel/ zawiera cały kod C++ i Python, który jest wdrażany bezpośrednio na komputer pokładowy robota.
• scripts/ łączy punkty wejścia do uruchamiania treningu sieci neuronowych, testów sim2sim i kalibracji.

To rozdzielenie jest wygodne. Aby uruchomić algorytmy w symulatorze, nie potrzebujesz fizycznego sprzętu. A gdy przyjdzie czas na montaż, tylko folder lowlevel jest wysyłany do pamięci mikrokontrolera lub komputera jednopłytkowego.

Jak działa pipeline: od symulacji do chodzenia

Trenowanie robota dwunożnego do chodzenia w prawdziwym życiu jest niebezpieczne i kosztowne. Złamie części przy pierwszym upadku. Dlatego autorzy używają łańcucha transferu sim-to-real:

1. Trenowanie polityki sterowania przy użyciu uczenia ze wzmocnieniem na GPU w symulatorze z równoległymi środowiskami.
2. Weryfikacja sim2sim, gdzie wynikowe wagi są uruchamiane w dokładniejszych silnikach fizyki z dodanym szumem czujników.
3. Wdrożenie do fizycznego robota przez interfejs niskopoziomowy.

Repozytorium zawiera również moduły motion capture (mocap) i teleoperacji. Robotem można sterować ręcznie za pomocą gamepada lub zestawu VR do manipulacji ręcznych.

Od czego zacząć

Aby uruchomić symulację, potrzebujesz komputera z procesorem graficznym NVIDIA i skonfigurowanym Isaac Lab. Przepływ pracy będzie znajomy dla każdego, kto pracował z Pythonem 3.11:

# 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

Wszystkie źródłowe pliki modeli CAD są publicznie dostępne w systemie Onshape, a autorzy opublikowali gotowe do użycia pliki STL oraz listę materiałów (BOM) dla zakupionych części w portalu dokumentacji GitBook.

Czy warto spróbować

Jeśli Twoim celem jest badanie algorytmów lokomocji, kontroli równowagi lub testowanie własnych modeli RL na prawdziwym humanoidzie bez grantów wartych miliony dolarów, ten projekt zdecydowanie zasługuje na zakładkę.

Oczywiście, plastik drukowany w 3D nie dorównuje sztywności frezowanego aluminium lotniczego. Koła zębate będą się szybciej zużywać, a dokładność pozycjonowania będzie dryfować po nagrzaniu. Ale za 5000 dolarów i z otwartym kodem źródłowym na licencji MIT, to doskonały fundament dla laboratoriów uniwersyteckich, hackathonów i entuzjastów robotyki.