麻省理工学院的研究人员开发了一种系统，可以提高双腿机器人在穿越地形缝隙时的速度和敏捷性。功劳:麻省理工学院一只奔跑的猎豹冲过起伏的田野，跳过崎岖地形中突然出现的缺口。这种移动看起来毫不费力，但让机器人以这种方式移动是完全不同的前景。近年来，受猎豹和其他动物运动的启发，四足机器人取得了长足的进步，但在穿越海拔高度快速变化的景观时，它们仍然落后于哺乳动物。
“在那些设置中，你需要使用视觉以避免失败。比如，踩在缝隙里，看不见就很难避免。麻省理工学院计算机科学和人工智能实验室(CSAIL)教授普尔基特·阿格拉瓦尔实验室的博士生加布里埃尔·马戈利斯(Gabriel Margolis)说:“尽管有一些现有的方法可以将视觉融入腿部运动，但大多数方法并不真正适合新兴的敏捷机器人系统。
现在，玛戈利斯和他的合作者已经开发了一个系统，可以提高腿机器人跳过地形缝隙时的速度和敏捷性。这个新颖的控制系统分为两部分——一部分处理安装在机器人前面的摄像机的实时输入，另一部分将这些信息转换成机器人如何移动身体的指令。研究人员在麻省理工学院的迷你猎豹上测试了他们的系统，这是一个强大、敏捷的机器人，由机械工程教授金相培的实验室制造。
与其他控制四足机器人的方法不同，这种由两部分组成的系统不需要事先绘制地形图，因此机器人可以去任何地方。未来，这将使机器人能够在紧急反应任务中冲进树林，或者爬上一段楼梯，为一名被关在家里的老人提供药物。
Margolis与资深作者Pulkit Agrawal共同撰写了这篇论文，Pulkit Agrawal是麻省理工学院“不可能”人工智能实验室的负责人，也是电气工程和计算机科学系的Steven G .和Renee Finn职业发展助理教授；麻省理工学院机械工程系的金相培教授；以及麻省理工学院的研究生陈涛和向富。其他合著者包括亚利桑那州立大学的研究生卡尔蒂克·佩吉瓦尔；以及马萨诸塞大学阿默斯特分校助理教授金东云。这项工作将在下个月的机器人学习会议上展示。
一切都在控制之中
使用两个独立的控制器一起工作使这个系统特别创新。
控制器是一种算法，它会将机器人的状态转换成一组动作供其遵循。许多盲控器——那些不包含实时视觉的盲控器——既健壮又有效，但只能让机器人在连续的地形上行走。
视觉是如此复杂的感官输入，以至于这些算法无法有效地处理它。包含视觉的系统通常依赖于地形的“高度图”，必须预先构建或动态生成，如果高度图不正确，这一过程通常会很慢并容易失败。
为了开发他们的系统，研究人员从这些健壮的盲控制器中提取了最好的元素，并将它们与一个独立的实时处理视觉的模块相结合。
机器人的相机捕捉即将到来的地形的深度图像，这些图像与机器人身体状态的信息(关节角度、身体方向等)一起被馈送给高级控制器。).高级控制器是一个从经验中“学习”的神经网络。
这个神经网络输出一个目标轨迹，第二个控制器用它来计算机器人12个关节中每个关节的扭矩。这个低级控制器不是神经网络，inst ead依赖于一组描述机器人运动的简洁的物理方程。
“这种层级结构，包括这种低级控制器的使用，使我们能够约束机器人的行为，使其表现更好。玛戈利斯说:“有了这个低级控制器，我们就可以使用明确的模型来施加约束，这在基于学习的网络中通常是不可能的。
学分:麻省理工学院教授网络
研究人员使用被称为强化学习的试错法来训练高级控制器。他们模拟机器人穿越数百个不同的不连续地形，并奖励它成功穿越。
随着时间的推移，算法学会了哪些行为可以使奖励最大化。
然后，他们用一组木板建造了一个物理的、有缝隙的地形，并用迷你猎豹测试了他们的控制方案。
“与我们的一些合作者在麻省理工学院内部设计的机器人一起工作肯定很有趣。“迷你猎豹是一个很好的平台，因为它是模块化的，主要由你可以在网上订购的零件制成，所以如果我们想要一个新的电池或相机，这只是一个简单的问题，从正规供应商那里订购，并在桑巴实验室的一点点帮助下安装它，”玛戈利斯说。
在某些情况下，估计机器人的状态被证明是一个挑战。与模拟不同，真实世界的传感器会遇到噪声，这些噪声会累积并影响结果。因此，对于一些涉及高精度足部放置的实验，研究人员使用运动捕捉系统来测量机器人的真实位置。
他们的系统优于其他只使用一个控制器的系统，迷你猎豹成功穿越了90%的地形。
“我们系统的一个新颖之处在于，它确实可以调整机器人的步态。如果一个人试图跨越一个非常大的鸿沟，他们可能会从跑得非常快来提高速度开始，然后他们可能会把双脚放在一起，进行一次非常有力的跨越鸿沟的跳跃。同样，我们的机器人可以调整其足部接触的时间和持续时间，以更好地穿越地形，”玛戈利斯说。
跳出实验室
玛戈利斯说，虽然研究人员能够证明他们的控制方案在实验室中有效，但在将该系统部署到现实世界之前，他们还有很长的路要走。
未来，他们希望给机器人安装一台更强大的计算机，这样它就可以在船上完成所有的计算。他们还想改进机器人的状态估计器，以消除对运动捕捉系统的需求。此外，他们希望改进低级控制器，使其能够充分利用机器人的运动范围，并增强高级控制器，使其在不同的照明条件下都能正常工作。
“见证机器学习技术的灵活性是非常了不起的，它能够绕过精心设计的中间过程(例如状态估计和轨迹规划)，这是几个世纪以来基于模型的技术所依赖的，”金说。“我对移动机器人的未来感到兴奋，它们拥有更强大的视觉处理能力，专门针对运动进行训练。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
