SpaceHopper: A Small-Scale Legged Robot for Exploring Low-Gravity Celestial Bodies
作者: Alexander Spiridonov, Fabio Buehler, Moriz Berclaz, Valerio Schelbert, Jorit Geurts, Elena Krasnova, Emma Steinke, Jonas Toma, Joschua Wuethrich, Recep Polat, Wim Zimmermann, Philip Arm, Nikita Rudin, Hendrik Kolvenbach, Marco Hutter
分类: cs.RO
发布日期: 2024-03-05
备注: To be published in the 2024 IEEE International Conference on Robotics and Automation
💡 一句话要点
提出SpaceHopper以解决低重力环境下的移动探索问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)
关键词: 低重力探索 三足机器人 动态运动控制 深度强化学习 太空探测
📋 核心要点
- 现有的移动机器人在低重力环境下的动态运动能力有限，难以实现有效的探索和操作。
- 论文提出了一种新型三足机器人SpaceHopper，通过腿部运动实现飞行中的身体重新定向，适应低重力环境。
- 实验结果显示，SpaceHopper在模拟低重力环境下能够实现高达6米的跳跃，并在地球重力下成功调整着陆姿态。
📝 摘要（中文）
我们提出了SpaceHopper，一种三足小型机器人，旨在未来对小行星和月球进行移动探索。该机器人重5.2kg，体积为245mm，采用可用于太空的组件。SpaceHopper的设计和控制使其适合研究具有延长飞行阶段的动态运动模式。该系统利用三条腿在飞行中重新定向身体，为着陆做准备，而不是依赖陀螺仪或飞轮。通过深度强化学习策略控制腿部运动以实现重新定向。在模拟的谷神星重力环境下（0.029g），机器人能够可靠地跳跃到最远6米的指定位置。我们的实验证明，SpaceHopper能够在地球重力下成功调整至安全着陆姿态，误差在9.7度以内，并在反重力设置中跳跃。总体而言，我们认为SpaceHopper是实现低重力环境中受控跳跃运动的重要一步。
🔬 方法详解
问题定义：本论文旨在解决现有移动机器人在低重力环境下的运动能力不足的问题，尤其是在小行星和月球等探索场景中，现有方法往往依赖重力感应器，导致灵活性不足。
核心思路：论文的核心思路是利用三条腿的运动来实现机器人在飞行中的身体重新定向，而不是依赖传统的陀螺仪或飞轮。这种设计使得机器人能够在低重力环境中更有效地控制跳跃和着陆。
技术框架：整体架构包括机器人硬件设计、运动控制算法和深度强化学习策略。硬件部分采用轻量化设计，控制算法则通过深度强化学习来优化腿部运动，以实现精确的飞行姿态调整。
关键创新：最重要的技术创新在于使用腿部运动进行飞行中的姿态控制，这与传统依赖重力感应器的方式有本质区别，显著提高了机器人在低重力环境中的灵活性和适应性。
关键设计：在设计中，采用了空间合格组件，确保机器人在极端环境下的可靠性。深度强化学习策略的训练过程中，设置了特定的损失函数以优化腿部运动的精确性，确保机器人能够在不同重力条件下稳定运行。
🖼️ 关键图片
📊 实验亮点
实验结果显示，SpaceHopper在模拟的谷神星重力下能够可靠地跳跃至最远6米，并在地球重力下成功调整至安全着陆姿态，误差仅为9.7度。这表明其在低重力环境中的运动控制能力显著提升。
🎯 应用场景
该研究的潜在应用领域包括小行星和月球的探索任务，尤其是在需要高灵活性和适应性的场景中。SpaceHopper的设计可以为未来的太空探测任务提供新的解决方案，推动人类对低重力环境的理解与探索。
📄 摘要（原文）
We present SpaceHopper, a three-legged, small-scale robot designed for future mobile exploration of asteroids and moons. The robot weighs 5.2kg and has a body size of 245mm while using space-qualifiable components. Furthermore, SpaceHopper's design and controls make it well-adapted for investigating dynamic locomotion modes with extended flight-phases. Instead of gyroscopes or fly-wheels, the system uses its three legs to reorient the body during flight in preparation for landing. We control the leg motion for reorientation using Deep Reinforcement Learning policies. In a simulation of Ceres' gravity (0.029g), the robot can reliably jump to commanded positions up to 6m away. Our real-world experiments show that SpaceHopper can successfully reorient to a safe landing orientation within 9.7 degree inside a rotational gimbal and jump in a counterweight setup in Earth's gravity. Overall, we consider SpaceHopper an important step towards controlled jumping locomotion in low-gravity environments.