波士頓動力機器人get跑酷技能，著實震撼了一波網友。

然而，它的跑酷技能究竟是不是真的？

這套行雲流水的動作，背後到底有沒有“預設程式”？

機器人是根據環境實時做出動作判斷，還是每一步都經過精確測量……

現在，波士頓動力親自公佈了機器人Atlas跑酷背後的原理。

讓我們從機器人的視角，來看看它眼中的跑酷世界是什麼樣的。

機器人眼中的跑酷世界

在機器人Atlas的大腦中，有一個模糊的地圖“輪廓”。

同時，Atlas還會拿到一些目標資訊，例如在行動中需要完成什麼動作、會遇到什麼樣的障礙物。

相比於精確的感知地圖，這個稀疏地圖並不會精確到路線輪廓和障礙物之間的距離，而是需要靠Atlas用感知演算法去“看”。

像這樣，需要實時規劃出自己的行走路線，並根據障礙物的距離進行調整：

△“看”不到遠處的障礙物

例如，Atlas知道地圖上會出現一個盒子，它要做的動作是跳上去。

這個盒子可能會與地圖的標註相差甚遠，甚至往旁邊移動了0。5米，但它仍然能靠感知演算法，正確找到這個盒子並跳上去（除非盒子遠得離開了Atlas視野範圍，它就會停下來）。

這是3D視覺化後，Atlas的跑酷“世界”：

其中，Atlas下一步需要跟蹤的物體是綠色的，而不在感測器視野範圍內的物體，則是紫色的。

Atlas會憑藉自身的跟蹤系統，來不斷地估計障礙物在地圖上的精確位置；再根據導航系統，結合實時感知資料，繪製出需要行走的綠色腳印。

那麼，Atlas究竟是怎麼感知環境、並做出動作的呢？

首先，它會透過感知演算法來“看”，即獲取攝像機、鐳射雷達等感測器資料；然後，再做出行動判斷，即轉換為決策和物理上的動作。

感知上，Atlas利用ToF深度相機，來生成幀率為15的點雲，其中包含大量的距離資訊，並藉此判斷出如何跨過像間隙、窄梁這樣的障礙目標。

動作上，Atlas透過慣性測量單元和力感測器，結合關節位置資訊來控制身體運動，同時在地面上保持平衡。

Atlas會採用感知軟體，利用多平面點雲分割演算法來從點雲中提取出物體表面，並被輸入到繪圖系統中，讓系統透過攝像機引數/照片建立不同物體的模型。

這是Atlas眼中的障礙物、和它的行動規劃圖：

其中，Atlas會透過深度相機捕捉到紅外影象（左上角），並從影象資料中提取出點雲，繪製出跑酷障礙物的表面（橙色輪廓）。

再根據感測器觀測資料實時進行位置跟蹤，在這些物體表面上規劃下一步行動，例如跳躍或慢跑等，並提前生成綠色的軌跡腳印。

預設動作，但無須預設細節

從上面的感知演算法中可以看出，機器人Atlas的跑酷確實“有備而來”。

也就是說，無論是翻越、跑、跳躍、後空翻，Atlas在跑酷過程中的每一個動作，都需要提前設計好，並被放進模板庫中。

在設計中，這些動作會根據軌跡最佳化技術進行完美調整，再根據具體的行動目標，從模板中進行選用。

同時，利用軌跡最佳化機器人的離線行為，讓工程師來探索機器人行動的極限，來降低計算量。

例如，發現機器人訓練過程中的一些限制條件，並及時做出調整。

像機器人後空翻這個動作，表面上的成功率來自於機器人的四肢協調，但經過最佳化後才發現，這背後的根本原因是由於身體的驅動限制。

而一切行動的控制，都來自於一個叫做MPC（模型預測控制器）的Atlas“大腦”，它要做的就是計算出當下的最佳動作，並根據時間推移預測出最好的行動。

也正是由於這個控制器，讓波士頓動力不用在意Atlas的控制細節，因為它不僅能從52cm的跳臺跳下來，也能從40cm的跳臺一躍而下。

同時，機器人也不會自己做出慢跑後直接後空翻這樣“不可能”的行為。

如上種種可以看出，機器人背後確實做出了大量“預設”，但最終的行動和目標，卻並不全是演練和動畫。

至於網友之前猜測的CG特效，這次波士頓動力似乎的確沒用在影片中。

期待機器人Atlas的下一場表演。

參考連結：［1］https：//blog。bostondynamics。com/flipping-the-script-with-atlas［2］https：//www。youtube。com/watch？v=EezdinoG4mk