Een humanoïde robot van $5.000 met een 3D-printer en Python

Als je ooit naar de prijskaartjes van commerciële tweevoetige robots zoals de Unitree H1 of Boston Dynamics Atlas hebt gekeken, weet je dat het budget wordt gemeten in tientallen en honderden duizenden dollars. Het Hybrid Robotics lab in Berkeley koos voor een andere aanpak en onthulde de Berkeley Humanoid Lite. Deze volledig open-source antropomorfe robot kan voor minder dan $5.000 worden gemonteerd.

Het project omvat ontwerpen voor 3D-printbare onderdelen, modulaire tandwielkasten, Isaac Lab-simulaties en low-level hardwarebesturingscode.

Onder de motorkap

De grootste uitdaging bij lopende robots zit in de gewrichten en tandwielkasten. Industriële harmonische of cycloïdale aandrijvingen zijn duur. De auteurs ontwierpen modulaire tandwielkasten die op een standaard printer kunnen worden geprint en combineerden deze met betaalbare borstelloze motoren.

De repository is gestructureerd als een set extensies voor NVIDIA Isaac Lab. De architectuur is verdeeld in vier delen:

• source/berkeley_humanoid_lite/ bevat de virtuele omgeving, beloningen en taakdefinities voor reinforcement learning training in Isaac Lab.
• source/berkeley_humanoid_lite_assets/ slaat 3D-modellen op in URDF-, MJCF- en USD-formaten, samen met exportscripts uit het Onshape CAD-systeem.
• source/berkeley_humanoid_lite_lowlevel/ bevat alle C++ en Python code die direct wordt geïmplementeerd op de onboard computer van de robot.
• scripts/ combineert entry points voor het starten van neural network training, sim2sim tests en calibratie.

Deze scheiding is handig. Om algoritmen in de simulator uit te voeren, heb je geen fysieke hardware nodig. En wanneer het tijd is voor assemblage, wordt alleen de lowlevel folder naar het microcontroller- of single-board computer geheugen gestuurd.

Hoe de pijplijn werkt: van simulatie naar lopen

Een tweevoetige robot trainen om in het echt te lopen is gevaarlijk en duur. Hij zal onderdelen breken bij de eerste val. Daarom gebruiken de auteurs een sim-to-real transfer keten:

1. Het trainen van het besturingsbeleid met Reinforcement Learning op een GPU in de simulator met parallelle omgevingen.
2. Sim2sim verificatie, waarbij de resulterende weights worden uitgevoerd in nauwkeurigere fysica-engines met toegevoegde sensorruis.
3. Implementatie op de fysieke robot via de low-level interface.

De repository bevat ook motion capture (mocap) en teleoperation modules. De robot kan handmatig worden bestuurd met een gamepad of VR-headset voor handmanipulaties.

Waar te beginnen

Om de simulatie uit te voeren, heb je een machine met een NVIDIA GPU en een geconfigureerde Isaac Lab nodig. De workflow zal bekend aanvoelen voor iedereen die met Python 3.11 heeft gewerkt:

# 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-modelbronbestanden zijn openbaar beschikbaar op Onshape, en de auteurs hebben de kant-en-klare STL-bestanden en de stuklijst (BOM) voor gekochte onderdelen gepubliceerd op de GitBook documentatieportal.

Is het de moeite waard om te proberen

Als je doel is om onderzoek te doen naar loopalgoritmen, balansregeling, of je eigen RL-modellen wilt testen op een echte humanoïde zonder miljoenensubsidies, verdient dit project zeker een bladwijzer.

Natuurlijk kan 3D-geprint plastic niet tippen aan de stijfheid van gefreesd aerospace aluminium. De tandwielen slijten sneller en de positioneringsnauwkeurigheid zal afwijken bij verwarming. Maar voor $5.000 en met een open codebase onder de MIT-licentie is het een uitstekende basis voor universiteitslabs, hackathons en robotica-enthousiastelingen.