一只猎豹飞奔着穿过一片起伏的田野，跳跃着越过崎岖地形中突然出现的缺口。这种运动看起来毫不费力，但让机器人以这种方式移动是非常有难度的。
近年来，受猎豹和其他动物运动的启发，四足机器人取得了巨大进步，但在海拔高度快速变化的地形上，仍然落后于其他的机器人。
“在这些情况下，你需要运用视觉来避免失败。例如，如果你看不见，就很难避免踩到缝隙。尽管已有一些将视觉融入腿部运动的方法，但大多数方法并不真正适合用于敏捷的机器人系统，”麻省理工学院计算机科学和人工智能实验室(CSAIL)教授Pulkit Agrawal和博士生Gapiel Margolis说。
现在，他们已经开发了一种系统，可以提高有腿机器人跳跃地形间隙时的速度和灵活性。这种新型控制系统分为两部分，一部分处理安装在机器人前方的摄像机实时输入信息，另一部分将信息转换为机器人应该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。
与其他控制四足机器人的方法不同，这个由两部分组成的系统不需要预先绘制地形，所以机器人可以去任何地方。在未来，这将使机器人能够冲进树林执行紧急响应任务，或爬上楼梯为闭门不出的老人送药。
使用两个独立的控制器共同工作是这个系统的创新点。控制器是一种算法，它把机器人的状态转换成一系列标准的动作。许多盲控制器（不包含视觉的控制器）非常有效，但只能使机器人在连续的地形上行走。
视觉是一种需要处理的复杂感官输入，这些算法无法有效地处理它。整合视觉的系统通常依赖于地形的“高度图”，这必须是预先构建的或在飞行中生成的，如果高度图不正确，这个过程通常很慢，且很容易失败。
为了开发他们的系统，研究人员从良好的盲控制器中提取了最佳元素，并将它们与一个独立的模块结合起来，处理实时视觉。
机器人的摄像头捕捉到即将经过的地形的深度图像，这些图像连同机器人身体的状态信息(关节角度、身体方向等)一起提供给高级控制器一个从经验中“学习”的神经网络。
神经网络输出一个目标轨迹，第二个控制器利用这个轨迹为机器人的12个关节分别计算扭矩。这种低级控制器不是神经网络，而是依赖于一组描述机器人运动的简洁的物理方程。
“这种层次结构，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，使它更有行为规范。在这种低层次的控制下，我们可以使用特定的模型来施加约束，而这在基于学习的网络中通常是不可能的。”Margolis说。
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。他们模拟了机器人在数百个不同的不连续地形上奔跑，并对每一次的成功穿越予以奖励。随着时间的推移，算法学会了哪些行为能使奖励最大化。
然后，他们用一套木板建造了一个物理的、有缝隙的地形，并用迷你猎豹来测试他们的控制方案。
在某些情况下，评估机器人的状态是一项挑战。与仿真不同的是，真实世界中的传感器会遇到噪声，这些噪声会累积并影响结果。因此，在一些涉及高精度的足部放置实验中，研究人员使用了一个动作捕捉系统来测量机器人的真实位置。
他们的系统比其他只使用一个控制器的系统表现更好，迷你猎豹成功穿越了90%的地形。
“我们的系统一个新颖之处在于，它可以调整机器人的步态。如果一个人试图跳过一个非常宽的间隙，他们可能会先跑得非常快，以提高速度，然后他们可能会把两只脚放在一起，非常有力地跳过间隙。以同样的方式，我们的机器人可以调整其足部接触的时间和持续时间，更好地穿越地形。”Margolis说。
Margolis说，虽然研究人员能够在实验室证明他们的控制方案是有效的，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。
在未来，他们希望给机器人安装一个更强大的计算机，这样它就可以在飞船上完成所有的计算。他们还想改进机器人的状态评估器，以消除对动作捕捉系统的需要。此外，他们希望改进低级控制器，使其能够使机器人运动范围更广。提高高级控制器，使其在不同的光照条件下都能较好地工作。
本文由升哲科技编译，转载请注明。
