Un umanoide da $5.000 con una stampante 3D e Python
Se hai mai guardato i prezzi dei robot bipedi commerciali come Unitree H1 o Boston Dynamics Atlas, sai che il budget si misura in decine e centinaia di migliaia di dollari. Il laboratorio Hybrid Robotics di Berkeley ha deciso di seguire un approccio diverso e ha presentato il Berkeley Humanoid Lite. Questo robot antropomorfo completamente open-source può essere assemblato per meno di $5.000.
Il progetto include progetti di componenti stampabili in 3D, riduttori modulari, simulazioni Isaac Lab e codice di controllo hardware di basso livello.
Sotto il cofano
La sfida principale dei robot che camminano risiede nelle articolazioni e nei riduttori. I azionamenti armonici industriali o cicloidali sono costosi. Gli autori hanno progettato riduttori modulari che possono essere stampati con una stampante standard e li hanno combinati con motori brushless economici.
Il repository è strutturato come una serie di estensioni per NVIDIA Isaac Lab. L'architettura è suddivisa in quattro parti:
source/berkeley_humanoid_lite/contiene l'ambiente virtuale, le ricompense e le definizioni dei task per il training di reinforcement learning in Isaac Lab.source/berkeley_humanoid_lite_assets/memorizza i modelli 3D nei formati URDF, MJCF e USD, insieme agli script di esportazione dal sistema CAD Onshape.source/berkeley_humanoid_lite_lowlevel/contiene tutto il codice C++ e Python che viene distribuito direttamente sul computer di bordo del robot.scripts/combina i punti di ingresso per lanciare il training delle reti neurali, i test sim2sim e la calibrazione.
Questa separazione è comoda. Per eseguire gli algoritmi nel simulatore, non hai bisogno di hardware fisico. E quando arriva il momento dell'assemblaggio, solo la cartella lowlevel viene inviata alla memoria del microcontrollore o del single-board computer.
Come funziona la pipeline: dalla simulazione al cammino
Addestrare un robot bipede a camminare nella vita reale è pericoloso e costoso. Romperà i componenti già alla prima caduta. Ecco perché gli autori usano una catena di trasferimento sim-to-real:
- Training della policy di controllo usando Reinforcement Learning su una GPU nel simulatore con ambienti paralleli.
- Verifica sim2sim, dove i pesi risultanti vengono eseguiti in motori fisici più accurati con rumore dei sensori aggiunto.
- Distribuzione sul robot fisico attraverso l'interfaccia di basso livello.
Il repository include anche moduli di motion capture (mocap) e teleoperazione. Il robot può essere controllato manualmente con un gamepad o un visore VR per manipolazioni manuali.
Da dove iniziare
Per eseguire la simulazione, avrai bisogno di una macchina con una GPU NVIDIA e un Isaac Lab configurato. Il flusso di lavoro risulterà familiare a chiunque abbia lavorato con Python 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
Tutti i file sorgente dei modelli CAD sono disponibili pubblicamente su Onshape, e gli autori hanno pubblicato i file STL pronti all'uso e la bill of materials (BOM) per i componenti acquistati sul portale di documentazione GitBook.
Vale la pena provare
Se il tuo obiettivo è ricercare algoritmi di locomozione, controllo dell'equilibrio o testare i tuoi modelli RL su un umanoide reale senza finanziamenti milionari, questo progetto merita sicuramente un segnalibro.
Naturalmente, la plastica stampata in 3D non eguaglia la rigidità dell'alluminio aerospaziale fresato. Gli ingranaggi si usureranno più velocemente e la precisione di posizionamento deriverà quando si riscalda. Ma per $5.000 e con un codebase aperto sotto licenza MIT, è un'eccellente base per laboratori universitari, hackathon e appassionati di robotica.
Progetti correlati