蒋宝尚、halcyon作者

机器人快跑!伯克利和CMU联合开发两足机器人,两条细腿,一马平川

还记得波士顿动力那些灵活的机器人么,避障碍爬楼梯甚至送快递,在各种地形随意穿梭。

现在,加州大学伯克利分校和卡内基梅隆大学的实验室研发出了一款更灵活的腿形机器人ATRIAS,它们可以像人类一样可以在崎岖的地形上行走,跨越障碍物,并且,不会受障碍物高度和相隔距离的影响。

也就是说,即使地面环境是随机变化的,这种足式机器人也能顺畅地行走。

这就非常厉害了!

对足形机器人,特别是目前还是“盲人”的机器人来说,在地面上如何“下脚”是有严格的算法控制的。而这些算法对凹凸不平的地面环境的适应性不是很友好。

那么设计这款机器人最大的挑战是,如何优化离散立足点的控制算法。

如此灵活的机器人,其背后由复杂的动力学方程控制。具体来讲是利用了最新的非线性控制算法。

而加州大学伯克利分校和卡内基梅隆大学做出的最新进展很好的解决这种矛盾,让足式机器人能够在随机变换的障碍地形中,顺畅的行走。

点击观看实验视频☟


为什么是足式机器人?

从波士顿动力的网红机器人Atlas,到伯克利的ATRIAS,足式机器人无疑近期机器人行列中的“C位”。这一地位的获取是有原因的。

根据行走方式,机器人可分为轮式、足式、履带式及混合式。轮式机器人主要适合平坦的路面,具有高速移动性能,但对复杂的地形却无能为力;履带式机器人能更好的适应松软的地形,如土地,缺点是对高度落差较大的地形无能为力;足式机器人几乎可以适应各种复杂的地形,缺点是移动速度较低,且由于重心原因容易侧翻。

世界上大部分地形属于复杂地形,对于复杂的地形足式机器人有着明显的优势,所以足式机器人的研究有着广阔的发展前景。

足式机器人最值得探索的地方也正在于此——能够在非结构化和不平整的地形上航行。

图:ATRIAS双足机器人用不同的步长和步高在随机离散地形上行走

它们比轮式机器人灵活得多,轮式机器人很难在有空隙或高度有重大变化的地形上导航,而双足机器人能够穿越离散和不可预测的地形,这使它们成为了空间探索、灾难响应以及城市环境中个人机器人的理想候选者,这些机器人需要在为人类设计的离散地形上行走,比如楼梯或跳板。

为了促进机器运动技术的进步,也有不少奖项设立,比如W奖。此奖项是对机器运动中最先进技术的挑战,例如对台阶和楼梯的攀爬、在不超过10,000秒的时间内行驶10公里等等。

虽然这些年来,足式机器人的机械设计和控制策略有了显著的改善,但是仍然没有在现实世界中真正使用。目前最先进的机器人依然在准静态地面运动速度缓慢,而且抗干扰能力弱,对能源的利用也是效率低下。

对于下肢外骨骼来说,跨越离散地带也是一个难题,目前的解决方法是,用户添加额外的平衡机制,比如说拐杖,但是即便这样也不能实现完全的自主行走。这一点也在最近的Cybathlon外骨骼竞赛中得到了体现。

通过设计机器人和反馈算法,使得机器人能够以一种安全、可靠的方式在复杂的地形上实现精确的足迹设计,我们能够将这种新的机器人应用到实际生活中,并且将这些想法转化成增强人类能力的生物电子设备。

为什么在跳板上的动态行走这么难?

伯克利大学的混合机器人小组一直致力于为高自由度双足机器人开发正式的控制框架,这种框架不仅能保证在离散地形上精确的步进位置,还能对不确定性和外力建模保持鲁棒性。这些方法独立于特定的机器人本身,并在RABBIT、ATRIAS 和DURUS等多种机器人模型上进行了仿真测试。

此外,这些机器人提前并不能“知道”地形会是什么样子;只有下一步的位置会显示给机器人这个场景很好地描述机器人在现实世界中可能遇到的情况。

伯克利研究组在ATRIAS双足机器人平台上测试了控制算法,并能够实现在不同离散随机地形上的动态行走,步长在30至65厘米不等,步行高度(抬腿)为22厘米,同时保持平均步行速度为0.6米/秒。

可以说,伯克利的ATRIAS是双足机器人上首次,在步长和步高同时变化的跳板上,完成了动态行走。

为什么离散行走在机器人中如此困难?

首先,两足机器人是高自由度系统,其运动由复杂的非线性微分方程控制,这些方程描述了机器人与地面相互作用中的混合动力:机器人必须通过不断地与周围环境进行接触和打破接触来与环境互动。

此外,ATRIAS是欠驱动的,这意味着它在脚踝处没有驱动器。你可以想象一下踩着跳板或者踩着高跷爬楼梯:保持平衡的唯一方法就是一直走下去。

跳板的问题也对脚的放置有严格的限制,当然在现实世界中,这些跳板也可能会倒塌(在不久的将来我们将会解决这个问题)。此外,机器人还必须在其他物理约束下工作,如电机转矩限制和摩擦(机器人不能滑倒)。所有这些约束相互作用,使得控制设计过程变得非常重要。

跳板问题已经得到了广泛的研究,在像Valkyrie和ATRIAS这样的机器人身上取得了令人印象深刻的成果。但是不同的地方是,伯克利的方法允许动态行走,而不是机器人倾向于使用的缓慢的准静态运动。

通过对系统动力学中的非线性进行推理,并利用最近最优控制和非线性控制技术的进展,伯克利小组可以在提供形式的稳定性和安全性保证的同时,以简单紧凑的形式指定控制目标和期望的机器人行为。这意味着,这种机器人可以在离散的地形上行走,而不会滑倒或摔倒。

下一步的研究

目前,ATRIAS还是“盲人”,需要向他们提供关于它周围环境的信息,比如下一个跳板的位置。伯克利研究组称,他们现在正致力于在控制器中集成计算机视觉算法,比如深度分割和深度学习

这将允许机器人对周围环境进行推理,从而开发出一个完全自主的系统。随着一个名叫Cassie的新机器人抵达伯克利,其计划将实验结果扩展到在真实世界的跳板上进行3D行走。

从长远来看,这项研究将有助于双足机器人在室内环境(如楼梯和狭窄的走廊)以及室外环境(如丛林小径)中自主导航。研究的关键部分包括安全性、鲁棒性和灵活性,也就是说,我们希望我们的机器人能够在“正确”的位置上行走,以防止它们跌倒,同时对意想不到的外力和干扰保持鲁棒性。

这种技术的潜在应用有很多:在搜索和救援中,可以部署自动人形机器人而不是人类救援人员;在探索未绘制地图/未探索的区域时(比如在表面高度不均匀的其他行星上),或者在家中作为个人机器人。此外,为两足机器人开发的方法也可以转化为增强人类的机器人设备,比如下肢外骨骼。

相关报道:

https://spectrum.ieee.org/automaton/robotics/robotics-hardware/dynamic-walking-on-stepping-stones

大数据文摘
大数据文摘

秉承“普及数据思维,传播数据文化,助⼒产业发展”的企业⽂化,我们专注于数据领域的资讯、案例、技术,形成了“媒体+教育+⼈才服务”的良性⽣态,致⼒于打造精准数据科学社区。

产业计算机视觉机器人
相关数据
深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

机器人技术技术

机器人学(Robotics)研究的是「机器人的设计、制造、运作和应用,以及控制它们的计算机系统、传感反馈和信息处理」 [25] 。 机器人可以分成两大类:固定机器人和移动机器人。固定机器人通常被用于工业生产(比如用于装配线)。常见的移动机器人应用有货运机器人、空中机器人和自动载具。机器人需要不同部件和系统的协作才能实现最优的作业。其中在硬件上包含传感器、反应器和控制器;另外还有能够实现感知能力的软件,比如定位、地图测绘和目标识别。之前章节中提及的技术都可以在机器人上得到应用和集成,这也是人工智能领域最早的终极目标之一。

推荐文章
暂无评论
暂无评论~