控制系统使四足机器人能够在不平坦的地形上行走

一只猎豹在起伏的田野上飞奔，在崎岖的地形上跳跃。这种运动可能看起来毫不费力，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，四足机器人取得了巨大的飞跃，但在穿越海拔快速变化的地形时，它们仍然落后于哺乳动物。

在这种情况下，你需要运用自己的眼光来避免失败。例如，如果你看不到缝隙，就很难避免踩进去。尽管有一些现有的方法可以将视觉整合到腿部运动中，但大多数都不适合用于新兴的敏捷机器人系统，”麻省理工学院计算机科学与人工智能实验室(CSAIL)教授Pulkit Agrawal实验室的博士生Gabriel Margolis说。

现在，马戈利斯和他的合作者开发了一种提高有腿机器人速度和敏捷性的系统当它们跳过地形的缝隙时。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面的摄像机的实时输入，另一部分将这些信息转化为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Sangbae Kim的实验室制造。

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事先绘制地形图，因此机器人可以去任何地方。在未来，这可能使机器人能够冲进树林执行紧急响应任务，或者爬上一段楼梯给一位闭门不出的老人送药。

一切都在控制之中

使用两个独立的控制器一起工作有助于使该系统具有创新性。

控制器是一种算法，它将机器人的状态转换为一组动作，让它遵循。许多盲控制器——那些不包含视觉的控制器——是强大而有效的，但只能使机器人在连续的地形上行走。

视觉是一种复杂的感官输入，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”，这必须是预先构建的或动态生成的，如果高度图不正确，这个过程通常是缓慢的，而且容易失败。

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，并将它们与一个实时处理视觉的单独模块结合起来。

机器人的摄像头捕捉即将到来的地形的深度图像，这些图像连同机器人身体状态的信息(关节角度、身体方向等)一起被馈送到高级控制器。高级控制器为a神经网络从经验中“学习”。

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个关节的扭矩。这个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物理方程。

“这个层次结构，包括这个低级控制器的使用，使我们能够约束机器人的行为，使它表现得更乖。通过这种低级控制器，我们可以使用可以施加约束的指定模型，这在基于学习的网络中通常是不可能的，”Margolis说。

网络教学

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。他们对机器人在数百个不同的不连续地形上奔跑进行了模拟并奖励它成功穿越。随着时间的推移，该算法学会了哪些行为能使奖励最大化。然后，他们用一组木板建造了一个物理的、有缝隙的地形，并用迷你猎豹对他们的控制方案进行了测试。

在某些情况下，估计机器人的状态是一项挑战。与模拟不同，真实世界的传感器会遇到可能累积并影响结果的噪声。因此，对于一些涉及高精度足部放置的实验，研究人员使用动作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，迷你猎豹成功地穿越了90%的地形。

“我们的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，他们可能会先跑得非常快，以增加速度，然后他们可能会把双脚放在一起，以一个非常有力的跳跃跨越鸿沟。同样，我们的机器人可以调整脚接触的时间和持续时间，以更好地穿越地形，”马戈利斯说。

跳出实验室

马戈利斯说，虽然研究人员能够证明他们的控制方案在实验室中是有效的，但在将该系统应用于现实世界之前，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，这样它就可以在船上进行所有的计算。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，他们还想改进低级控制器，使其能够充分利用机器人的整个运动范围，并增强高级控制器，使其在不同的照明条件下工作良好。

Kim说:“见证机器学习技术的灵活性是非常值得注意的，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)，而这些过程是几个世纪以来基于模型的技术所依赖的。”“我对未来的移动机器人感到兴奋，它们有更强大的视觉处理能力，专门为运动训练。”

-由Chris Vavra编辑，网页内容经理，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。