Жонглирующий робот

Робот для жонглирования бросками, способный выполнять более чем двухпредметное жонглирование в виде колонн, был создан сравнительно недавно. Однако первые эксперименты относятся к 1970-м годам, когда Клод Шеннон построил первого робота-жонглёра, трёхпредметного жонглёра отскоками, из конструктора Erector Set^[3]. «Жонглирование отскоками проще реализовать, чем бросками, так как мячики перехватываются в самой верхней точке траектории, когда они движутся медленнее всего». В машине Шеннона исправление ошибок происходило за счёт использования направляющих треков на «руках» устройства^[3]. К 1992 году Кристофер Г. Эткесон и Стефан К. Шааль из Технологического института Джорджии создали похожего пятимячного робота-жонглёра для жонглирования отскоками^[4][3]. Машина Шеннона, оформленная как и названная в честь В. К. Филдса, использовала чаши с канавками/направляющие вместо датчиков или обратной связи. Шеннон также сформулировал теорему о жонглировании.

В 1989 году Мартин Бюлер, П.Дж. Киндлеман и Даниэль Е. Кодитшек создали однопружинную установку, обладающую одной вращающейся перекладиной, перераспределяющей движение из одной стороны в другую и отбивающей два предмета в фонтане произвольной продолжительности.

Продолжая исследования в лаборатории Кодитшека, Альфред А. Рицци и коллеги создали жонглёра «The Buehgler»^[5][3]. Этот трёхмерный робот мог отбивать два шарика для настольного тенниса в пространстве при помощи одной ракетки. Эксперимент показал возможность длительной автономной работы: непрерывный жонглирующий прогон превышал четыре с половиной часа. Демонстрационное видео размещено на YouTube.

В начале 1990-х гг. Сакагути и др. (1991) и Миязаки (1993) сконструировали однорукого робота для жонглирования двумя мячиками во фонтане, использовавшего руку с двумя степенями свободы и неуправляемой воронкообразной «кистью»^[6]. Кизаки и Наками (2012) разработали скоростную манипуляторную систему с активными пальцами, способную многократно жонглировать двумя мячами во фонтане^[7]. Плёгер и др. (2020) добились устойчивого двухмячного жонглирования в колонне в течение 33 минут с помощью четырёхступенчатого роботизированного манипулятора, использующего воронкообразную «ладонь» и методы обучения с подкреплением^[8][9].

К 2011 году студенты кафедры автоматического управления Чешского технического университета в Праге сконструировали пятимячного жонглирующего робота с вертикальным и горизонтальным движением рук, колечковидными «ладонями» и корзиной, инициирующей броски и повторно запускающей мячики при неудаче.

В 2011 году инженеры из Швейцарской высшей технической школы Цюриха (ETH Zurich) разработали систему, в которой несколько роботов-квадрокоптеров могли совместно жонглировать мячом, перебрасывая его друг другу^[10]. В 2019 году в Калифорнийском университете в Беркли двуногий робот Cassie Cal был задействован в эксперименте по отбиванию мяча на корпусе для изучения динамической многозадачности — способности механизма одновременно манипулировать внешним объектом и поддерживать собственное равновесие^[11][12].

Disney Research занимается созданием робота, способного к парному жонглированию, с целью повышения интерактивности между посетителями и механизированными персонажами^[13].

Контактное жонглирование встречается среди роботов реже, как и среди людей. В 2010 году студенты-бакалавры Северо-Западного университета создали робота, способного перекатывать диск с направляющей канавкой от центра по краю к центру противоположной стороны по восьмеркообразной вращающейся траектории^[14]. Для контактного жонглирования критически важны тактильная обратная связь (для обнаружения микроскольжения объекта) и алгоритмы плавности движений (включая модельно-ориентированное обучение с подкреплением), позволяющие манипулировать объектом без потери контроля^[15].^[16]

В современных роботах-жонглёрах для обеспечения высокой скорости реакции применяется специализированное аппаратное обеспечение. Ключевым элементом систем визуальной обратной связи являются высокоскоростные камеры, способные отслеживать положение объектов в реальном времени с частотой до 500 кадров в секунду^[17][18][16]. Для выполнения бросков и ловли используются различные типы манипуляторов, включая простые воронкообразные захваты, сложные антропоморфные кисти и платформы Стюарта^[19][20][21]. Движение манипуляторов обеспечивается высокоскоростными приводами, такими как бесщёточные электродвигатели и сервоприводы^[22]. Для достижения максимального ускорения и точности применяются манипуляторы с прямым приводом, в которых двигатель соединён с суставом робота напрямую без редуктора, что позволяет устранить механические люфты^[1].

Программное обеспечение таких систем опирается на продвинутые алгоритмы управления и прогнозирования. Для обработки данных с камер и точной оценки состояния летящего объекта широко применяется фильтр Калмана, который объединяет физическую модель баллистического движения с реальными измерениями для прогнозирования будущей траектории^[23][24]. На основе полученного прогноза используется модельно-прогнозирующее управление (MPC), рассчитывающее в реальном времени оптимальную последовательность движений манипулятора для перехвата предмета^[25][26]. Кроме того, для адаптации к сложным динамическим условиям активно применяются методы машинного обучения, в частности алгоритмы обучения с подкреплением, позволяющие роботу самостоятельно вырабатывать и корректировать стратегию жонглирования^[27][1].

В сфере искусственного интеллекта роботы-жонглёры выступают в качестве испытательного стенда для тестирования алгоритмов обучения с подкреплением. В процессе тренировок робот автономно исследует различные движения, обучаясь на собственном физическом опыте с помощью системы вознаграждений и штрафов. Жонглирование также применяется для исследования переноса навыков из симуляции в реальность (Sim-to-Real Transfer). Поскольку эта задача требует точного моделирования динамики манипулятора и физики контактов с объектами, успешное обучение робота демонстрирует надёжность алгоритмов при их переносе в реальный физический мир^[1][18].

В биомеханике подобные устройства применяются для моделирования моторного контроля человека. Создание алгоритмов жонглирования помогает исследователям изучать процессы управления мышцами и обработки сенсорной информации центральной нервной системой. Роботизированные платформы позволяют анализировать механизмы упреждающего контроля, тестируя гипотезы о том, как мозг прогнозирует траектории полёта объектов и заранее планирует действия. Кроме того, жонглирование рассматривается как сложная динамическая система, что даёт возможность в контролируемых условиях исследовать стабильность движений, их эффективность и реакции на возникающие ошибки^[2][28][29].