比 Spot 還穩?《Science》子刊揭示機器狗 ANYmal 如何「憑感受」小跑步

作者 | 發布日期 2020 年 10 月 30 日 8:15 | 分類 機器人 Telegram share ! follow us in feedly


下圖是波士頓動力的知名機器狗 Spot,它能跳舞、當保全、牧羊、巡邏偵測,可說是樣樣精通。

最近 Spot 遠赴烏克蘭車諾比核電站勘察輻射污染分布時,瑞士 ANYbotics 公司的機器狗也亮相了。

這隻紅色機器狗據說也擅長於複雜地形行走移動。

這個新面孔名叫 ANYmal,最近登上《Science》子刊、名機器人期刊《Science Robotics》最新一期封面。

憑本體感受控制運動

10 月 21 日,一篇公開 ANYmal 機器狗如何在複雜地形如履平地的論文發表於《Science Robotics》,標題為「Learning quadrupedal locomotion over challenging terrain」(在具挑戰性的地形學習四足移動)。

研究團隊來自蘇黎世聯邦理工學院機器人系統實驗室、南韓科學技術院機器人與人工智慧實驗室、英特爾智慧系統實驗室。

上海交通大學教授、國家 973 計畫首席科學家高峰曾在 2018 年世界機器人大會表示:

輪式機器人最終會走向足式機器人,而四足機器人有更佳運動能力。

正如論文介紹,足式運動可將機器人的活動範圍延伸到極具挑戰性的環境。不過傳統足式運動控制器是依靠能明顯觸發運動運動原語和反射執行(motion primitives and reflexes)的「狀態機」(state machines)。

可以說這種設計保證機器人在各種複雜場景以四足運動,但並未達到自然界動物的運動水準。畢竟高度異常的外框、種類多樣的地形、容易打滑的表面或障礙物,都是潛在的阻礙因素。機器人可能因打滑失去平衡,甚至導致災難性故障。

更嚴重的是,機器人無法獲得地形物理特徴的準確資訊──相機、雷達等感受性感測器無法可靠測量物理特徴(如摩擦力、柔軟度)。

針對這種情況,研究人員提出一種強健性控制器──運動控制加入本體感受回饋(proprioceptive feedback),回饋來自兩種足式機器人最耐用可靠的感測器:聯合編碼器和慣性測量單元。

以前有團隊透過以下兩種成果,成功達成足式機器人應用於模擬到物理環境:

  1. 建模制動器等物理系統。
  2. 物理參數隨機化:參數在模擬和現實環境會不同,這可使控制器對各種情況都有強健性,無需預先精確建模。

但研究人員模擬環境訓練控制器後發現,ANYmal 仍然不足以在崎嶇地形如履平地。故科研人員又引入三步驟。

  • 時間卷積網路(TCN):可根據本體感受狀態的延伸歷史產生驅動。
  • 特權學習:將訓練過程分解為兩階段,首先訓練一個能感測地形和機器人與地面接觸情況的「老師」,然後「老師」指導純粹本體感受的「學生」(即控制器)學習。
  • 自適應「合成」地形:根據控制器在訓練過程不同階段的表現,綜合形成對地形物理特徵的準確感測,控制器最後會極具彈性。

機器狗可在各種地形小跑步

研究人員表示:

研究表明,無需精確建模或一系列危險又成本高昂的實地測試,ANYmal 的控制器就可馴服物理世界異常複雜的各種地形。

據了解,利用控制器驅動,兩代 ANYmal 機器狗可在泥土、沙子、碎石、茂密植被、積雪、流水等各種環境小跑步移動,這種「測試環境」已超出之前所有足式機器人的研究範圍。

看起來的確頗穩定的。

室內試驗中,ANYmal 正在上台階,高度為 16.8 公分,高於平坦地形正常行走時狗的腿部間隙。

DARPA(美國國防進階研究計劃局)機器人地下挑戰賽其實也有 ANYmal 的身影。

競賽目的是開發可快速繪製、導航和搜尋複雜地下環境(包括隧道、城市地下道和洞穴)的機器人系統。按規定,比賽期間操作人員不得協助機器人,僅允許遠端操作,因此要求控制器較長時間需無故障執行。

ANYmal 和控制器表現沒有令人失望:控制器長達 60 分鐘的四階段工作控制兩台 ANYmal-B 機器狗,比賽中控制器失效率為 0。

下圖顯示比賽時機器狗如何爬陡峭的樓梯。

論文最後坦言,ANYmal 僅表現小跑步姿態,這的確比自然界四足動物的步態模式範圍要窄。

不過研究人員也表示:

步態模式一定程度受機器人的運動學和動力學約束,ANYmal 未來會有多步態能力,多樣性訓練和目標可激發這些能力。

期待 ANYmal 未來變得更強。

(本文由 雷鋒網 授權轉載;首圖來源:ANYbotics

延伸閱讀: