Una entrevista con Nicolai Ommer: la Robocupsoccer Small Dimension League

Inicio en un partido de liga de tamaño pequeño. Crédito de la imagen: Nicolai Ommer.

Robocup es una iniciativa científica internacional con el objetivo de avanzar en el estado del arte de los robots inteligentes, la IA y la automatización. El Evento anual de robocup Debe tener lugar del 15 al 21 de julio en Salvador, Brasil. El componente de fútbol de Robocup comprende una serie de ligas, una de ellas es la Liga de tamaño pequeño (SSL). Nos encontramos con el miembro del comité ejecutivo Nicolai Ommer para obtener más información sobre el SSL, cómo funcionan los árbitros de automóviles y cómo los equipos usan la IA.

¿Podría comenzar dándonos una introducción rápida a la liga de tamaño pequeño?

En el Liga de tamaño pequeño (SSL) Tenemos 11 robots por equipo, la única liga física de fútbol Robocup que tiene el número complete de jugadores. Los robots son pequeños robots cilíndricos sobre ruedas y pueden moverse en cualquier dirección. Los equipos los construyen a sí mismos, por lo que los equipos tienen que hacer tanto el {hardware} como la programación, y muchas cosas tienen que trabajar juntos para que un equipo funcione. La IA es central. No tenemos agentes, por lo que los equipos tienen una computadora central en el campo donde pueden hacer todo el cálculo y luego envían los comandos a los robots en diferentes abstracciones. Algunos equipos simplemente enviarán comandos de velocidad, otros equipos envían un objetivo.

Tenemos un sistema de visión central: la liga mantiene esto y lo ha sido desde 2010. Hay cámaras sobre el campo para rastrear todos los robots y la pelota, para que todos sepan dónde están los robots.

Los robots pueden moverse hasta 4 metros por segundo (m/s), después de este punto se vuelve bastante inestable para los robots. Pueden cambiar de dirección muy rápidamente, y la pelota se puede patear a 6.5 m/s. Es bastante rápido y ya hemos tenido que limitar la velocidad de patada. Anteriormente teníamos un límite de 8 m/sy antes de los 10 m/s. Sin embargo, ningún robotic puede atrapar una pelota con esta velocidad, por lo que decidimos reducirla y centrarnos más en el paso. Esto le da al arquero y a los defensores la oportunidad de interceptar una patada.

Es tan rápido que para los humanos es bastante difícil entender todas las cosas que están sucediendo. Y es por eso que, hace algunos años, introdujimos los árbitros de automóviles, que ayudan mucho en el seguimiento, especialmente cosas como colisiones, and so forth., donde el árbitro humano no puede ver todo al mismo tiempo.

¿Cómo funcionan los árbitros automáticos en ese momento, y hay más de uno que operan al mismo tiempo?

Cuando desarrollamos el sistema precise, para mantener las cosas justas, decidimos tener múltiples implementaciones de un sistema de reflexión automática. Estos sistemas independientes implementan las mismas reglas y luego hacemos un voto mayoritario sobre las decisiones.

Para hacer esto necesitábamos un componente medio, por lo que hace algunos años comencé este proyecto para tener un nuevo controlador de juego. Esta es la interfaz de usuario (UI) para el árbitro humano que se sienta en una computadora. En la interfaz de usuario, ves el estado del juego precise, puedes manipular el estado del juego, y este componente coordina las referencias automáticas. Los referentes automáticos pueden conectarse e informar faltas. Si solo un reflejo automático detecta la falta, no lo contará. Pero, si ambas referencias automáticas informan la falta dentro de la ventana de tiempo, entonces se cuenta. Parte del desafío period hacer que todo esto sea visible para que el operador lo entienda. El árbitro humano tiene la última palabra y toma la decisión ultimate.

Logramos establecer dos implementaciones. El objetivo period tener tres implementaciones, lo que hace que sea más fácil formar una mayoría. Sin embargo, todavía funciona con solo dos implementaciones y lo hemos tenido durante varios años. Las implementaciones son de dos equipos diferentes que aún están activos.

¿Cómo se ocupan las referencias de automóviles con colisiones?

Podemos detectar colisiones de los datos. Sin embargo, incluso para los árbitros humanos es bastante difícil determinar quién tuvo la culpa cuando dos robots chocan. Por lo tanto, tuvimos que definir una regla, y todas las implementaciones de la Auto REF implementan la misma regla. Escribimos en el libro de reglas realmente específicamente cómo calculas si ocurrió una colisión y quién tuvo la culpa. La primera consideración se basa en la velocidad: por debajo de 1.5m/s, no es una colisión, por encima de 1.5m/s es. También hay otro issue, relacionado con el cálculo del ángulo, que también tenemos en cuenta para determinar qué robotic tuvo la culpa.

¿Qué más detectan los árbitros de automóviles?

Otras faltas incluyen la velocidad de patada, y luego hay faltas relacionadas con la adhesión al procedimiento de juego regular. Por ejemplo, cuando el otro equipo tiene un tiro libre, entonces los robots opuestos deberían mantener una cierta distancia de la pelota.

Los Refs automáticos también observan no Fouls, en otras palabras, eventos del juego. Por ejemplo, cuando la pelota sale del campo. Ese es el evento más común. Este en realidad no es tan fácil de detectar, especialmente si hay una patada de chip (donde la pelota deja la superficie de juego). Con la lente de la cámara, la parábola de la pelota puede hacer que parezca que está fuera del campo de juego cuando no lo es. Necesita un filtro robusto para lidiar con esto.

Además, cuando los Auto Refs detectan un objetivo, no confiamos por completo. Cuando se detecta un objetivo, lo llamamos un “objetivo posible”. El partido se detiene de inmediato, todos los robots se detienen y el árbitro humano puede verificar todos los datos disponibles antes de otorgar el objetivo.

Has estado involucrado en la liga durante varios años. ¿Cómo han evolucionado la liga y el rendimiento de los robots durante ese tiempo?

Mi primer robocup fue en 2012. La introducción de los autos árbitros ha hecho que la jugada sea mucho más fluida. Antes de esto, también presentamos el concepto de colocación de la pelota, por lo que los robots colocarían la pelota ellos mismos para un tiro libre o comenzar, por ejemplo.

Desde el lado del {hardware}, la mejora principal en los últimos años ha sido driblar la pelota en situaciones individuales. También ha habido una mejora en las habilidades especializadas realizadas por los robots con una pelota. Por ejemplo, hace algunos años, un equipo (Zjunlict) desarrolló robots que podrían tirar el balón hacia atrás con ellos, moverse alrededor de los defensores y luego disparar a la meta. Este fue un movimiento inesperado, que no habíamos visto antes. Antes de esto, tenías que hacer un pase para engañar a los defensores. Nuestro equipo, Tigers Mannheim, también ha mejorado en esta área ahora. Pero es realmente difícil hacer esto y requiere mucha afinación. Realmente depende del campo, la alfombra, que no está estandarizada. Por lo tanto, hay un poco de suerte de que su {hardware} específicamente construido está funcionando bien en la alfombra de la competencia.

La gran ultimate de la liga pequeña en Robocup 2024 en Eindhoven, Países Bajos. Tigres Mannheim vs. Zjunlict. Crédito de video: Tigres Mannheim. Puedes encontrar el canal de YouTube de los Tigres aquí.

¿Cuáles son algunos de los desafíos en la liga?

Un gran desafío, y también es bueno para la liga, es que tenemos muchos estudiantes universitarios en los equipos. Estos estudiantes tienden a abandonar los equipos después de su licenciatura o maestría, todos los miembros del equipo cambian con bastante regularidad, y eso significa que es difícil retener el conocimiento en los equipos. Es un desafío mantener el rendimiento del equipo; Incluso es difícil reproducir lo que lograron los miembros anteriores. Es por eso que no tenemos grandes pasos hacia adelante, porque los equipos tienen que repetir las mismas cosas cuando los nuevos miembros se unen. Sin embargo, es bueno para los estudiantes porque realmente aprenden mucho de la experiencia.

Estamos trabajando continuamente para identificar cosas que podemos poner a disposición para todos. En 2010 se estableció el sistema de visión. Fue un issue importante, lo que significa que los equipos no tenían que hacer visión por computadora. Y actualmente estamos buscando establecer estándares para la comunicación inalámbrica: esto actualmente lo hacen por todos por sus propios. Queremos avanzar en la liga, pero al mismo tiempo, también queremos tener esta naturaleza de poder aprender, poder hacer todas las cosas por sí mismas si quieren.

Realmente necesita tener un equipo de personas de diferentes áreas: ingeniería mecánica, electrónica, gestión de proyectos. También debe obtener patrocinadores, y debe promocionar su proyecto, interesarme a los estudiantes en su equipo.

¿Podrías hablar sobre algunos de los elementos de IA para la liga?

La mayor parte de nuestro software program está basado en script, pero aplicamos el aprendizaje automático para problemas pequeños y sutiles.

En mi equipo, por ejemplo, hacemos calibración con algoritmos bastante simples. Tenemos un modelo específico para la patada de chip y otro para el robotic. La fricción de la rueda es bastante complicada, por lo que presentamos un modelo y luego recopilamos los datos y usamos el aprendizaje automático para detectar los parámetros.

Para la estrategia de partido actual, un buen ejemplo es de los Cmdragons del equipo. Un año realmente podría observar que habían entrenado su modelo para que, una vez que obtuvieran la meta, votaron la estrategia que aplicaron antes de eso. Realmente se podría ver que el oponente reaccionó de la misma manera todo el tiempo. Pudieron marcar múltiples goles, utilizando la misma estrategia una y otra vez, porque aprendieron que si una estrategia funcionara, podrían usarlo nuevamente.

Para nuestro equipo, los Tigres, nuestro software program se basa mucho en calcular los puntajes de cuán bueno es un pase, qué tan bien se puede interceptar un pase y cómo podemos mejorar la situación con un pase specific. Esto a veces está codificado, con algunos cálculos basados en geometría, pero también hay algunos ajustes finos. Si marcamos un gol, retrocedemos y vemos de dónde proviene el pase y damos bonos en algunos de los cálculos de puntaje. Es más complicado que esto, por supuesto, pero en basic es lo que intentamos hacer al aprender durante el juego.

La gente a menudo pregunta por qué no hacemos más con AI, y creo que el desafío principal es que, en comparación con otros casos de uso, no tenemos tantos datos. Es difícil obtener los datos. En nuestro caso, tenemos {hardware} actual y no podemos simplemente hacer partidos todo el día durante días: los robots se romperían y deben ser supervisados. Durante una competencia, solo tenemos entre cinco y siete partidos en complete. En 2016, comenzamos a grabar todos los juegos con un formato legible por máquina. Todas las posiciones están codificadas, junto con las decisiones del árbitro, y todo está en un archivo de registro que publicamos centralmente. Espero que con esta creciente cantidad de datos podamos aplicar algunos algoritmos de aprendizaje automático para ver qué partidos anteriores y estrategias anteriores hicieron, y tal vez obtener algunas concepts.

¿Qué planes tienes para tu equipo, los Tigres?

En realidad hemos ganado la competencia durante los últimos cuatro años. Esperamos que haya otros equipos que puedan desafiarnos. Nuestra defensa no ha sido realmente desafiada, por lo que tenemos dificultades para encontrar debilidades. De hecho, jugamos contra nosotros mismos en la simulación.

Una cosa que queremos mejorar es la precisión porque todavía hay algún trabajo handbook para calibrar todo y trabajar tan precisamente como lo queremos. Si algunos pequeños detalles no funcionan, por ejemplo, el regate, entonces corre el riesgo de todo el torneo. Por lo tanto, estamos trabajando para facilitar todos estos procesos de calibración y para hacer un procesamiento de datos más automático para determinar los mejores parámetros. En los últimos años hemos trabajado mucho en gotear en las situaciones 1 vs 1. Esta ha sido una gran mejora para nosotros y todavía estamos trabajando en eso.

Sobre Nicolai

Nicolai Ommer es ingeniero de software program y arquitecto de Qaware en Munich, especializado en el diseño y la construcción de sistemas de software program robustos. Tiene un B.Sc. en informática aplicada y un M.Sc. en sistemas autónomos. Nicolai comenzó su viaje en robótica con los tigres del equipo Mannheim, participando en su primer robocup en 2012. Su dedicación lo llevó a unirse al Comité Técnico de la Liga de Small Dimension Robocup y, en 2023, el Comité Ejecutivo. Apasionado por la innovación y la colaboración, Nicolai combina una visión académica con experiencia práctica para impulsar los límites de los sistemas inteligentes y contribuir a las comunidades mundiales de robótica e ingeniería de software program.