波士顿动力机器人解锁跑酷新技能，凭借感知驱动技术适应技能

编译 | 禾木木

出品 | AI科技大本营（ID:rgznai100）

波士顿动力开发负责人为大家解读了 Atlas 能够快速越过具有一定倾斜度的障碍物、执行快速转身、跳跃等动作背后的技术。

Atlas 机器人首次完成了复杂的障碍赛。

复杂的障碍赛在波士顿动力公司总部二楼，挑战包括一系列倾斜的胶合板，跳出一个缺口，在楼梯上跑上跑下，还有木箱垒成的阶梯以及平衡木。

一只手就能翻过“栏杆”：

连踩数个斜坡，稳稳当当：

波士顿动力机器人Atlas又来炫技了，这次带来了新活：跑酷！

机器人像运动员一样奔跑、翻转、跳跃和跳跃需要什么？

对跑酷的认知

机器人感知算法的目的是用于将来自相机和激光雷达等传感器的数据转换为对决策制定和规划物理动作有用的数据。虽然 Atlas 使用 IMU、关节位置和力传感器来控制其身体运动，并通过感知地面以保持平衡，但它需要感知来识别和导航例如图 1 中的间隙和窄梁等障碍物。

图 1：此动画显示了一个 Atlas 机器人生成的点云旋转视图

Atlas 使用飞行时间测距法深度相机以每秒 15 帧的速度生成环境的点云，点云是范围测量的大量集合。Atlas 的感知软件使用一种名为多平面分割的算法从点云中提取平面。该算法的输出被输入到一个映射系统中，该系统构建了 Atlas 通过相机看到的各种不同对象模型。

图 2：具有感知输出的 Atlas 渲染。

图 2 显示了 Atlas 的视觉所见以及如何使用这种感知来规划行动。左上角是深度相机拍摄的红外图像。主图像中的白点形成点云。橙色轮廓标记了检测到的跑酷障碍物的矩形面，随着时间的推移从传感器观察中对其进行跟踪。然后将这些检测到的人脸用于规划特定行为。例如，绿色的脚步代表了下一步要跳到哪里。

为了执行扩展的跑酷行为，研发成员为机器人提供了一张高级地图，其中包括希望它去的地方以及沿途它应该做的特技。这张地图并不是真实路况的精确几何匹配，它是一个包含障碍模板和注释动作的近似描述。Atlas 使用这些稀疏信息来导航课程，并使用实时感知数据来填充细节。例如，Atlas 知道要寻找要跳的盒子，如果盒子向侧面移动 0.5 米，Atlas 会在那里找到它并跳到那里。如果盒子被移得太远，那么系统将找不到它并停下来。

图 3：显示机器人对跑酷路线中感知的动画。

这是一个 3D 可视化动画，显示了机器人在跑酷障碍路线中导航时所看到的和计划的。主动跟踪的对象以绿色绘制，并在脱离机器人感知传感器的视野时从绿色渐变为紫色。跟踪系统不断估计世界上物体的姿态，导航系统使用地图信息规划与这些物体相关的绿色足迹。

行为库

Atlas 在跑酷中执行的每个动作都源自使用轨迹优化提前创建的模板。通过创建这些模板的库允许研究者向库添加新轨迹来不断为机器人添加新功能。给定感知的计划目标，机器人从库中选择与给定目标尽可能匹配的行为。

通过离线设计进行轨迹优化，工程师能够提前以交互方式探索机器人能力的极限，并减少机器人的相关计算量。例如，由于驱动限制等物理限制，机器人如何精确协调其四肢以启动和进行后空翻等，这些细节可能对机器人的成功产生重大影响。

利用离线优化，研究者可以在设计时捕获像这样的重要约束，并使用单个通用控制器在线调整机器人。

图 4：此行为是使用离线设计进行轨迹优化的复杂全身行为的示例。

模型预测控制

在确定了机器人前面的箱子、坡道或障碍物，并计划了一系列操作以越过它们后，剩下的挑战是机器人如何可靠地执行计划所需的所有细节。

Atlas 的控制器被称为模型预测控制器 (MPC)，因为它使用机器人动力学模型来预测其运动将如何演变为未来的动作。控制器通过优化来计算机器人现在要做的最佳事情，从而随着时间的推移产生最佳动作。

正如上面所描述的，行为库中的每个模板都会向控制器提供什么样子是最佳的解决方案。控制器会调整机器人的力、姿势和行为时间等细节，以应对环境几何、脚滑或其他实时因素的差异。拥有一个能够显著偏离模板运动的控制器可以简化行为创建过程，这意味着不必逐个匹配机器人将遇到的每种可能场景相匹配的行为模板。例如，从 52 厘米的平台上跳下与 40 厘米的跳台没有什么不同，MPC 会解决细节问题。

图 5：显示感知和计划路径的第一人称视角。

蓝色箭头对应于机器人在整个过程中移动时的质心和动量的 MPC 预测。

MPC 的预测特性还允许 Atlas 跨越行为边界来查看后续动作。例如，知道跳跃之后是后空翻，控制器可以自动创建从一个动作到另一个动作的平滑过渡。这再次简化了机器人行为创建问题，因为我们不需要提前考虑所有可能的行为序列。当然，MPC 的创新是局限性的。例如，机器人尝试从快进慢跑动作过渡到后空翻是行不通的。一般来说，必须控制器复杂性和行为库大小之间取得平衡。