首頁/ 遊戲/ 正文

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

波士頓動力開發負責人為大家解讀了 Atlas 能夠快速越過具有一定傾斜度的障礙物、執行快速轉身、跳躍等動作背後的技術。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

Atlas機器人首次完成了複雜的障礙賽。

複雜的障礙賽在波士頓動力公司總部二樓,挑戰包括一系列傾斜的膠合板,跳出一個缺口,在樓梯上跑上跑下,還有木箱壘成的階梯以及平衡木。

一隻手就能翻過“欄杆”:

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

連踩數個斜坡,穩穩當當:

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

波士頓動力機器人Atlas又來炫技了,這次帶來了新活:跑酷!

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

機器人像運動員一樣奔跑、翻轉、跳躍和跳躍需要什麼?

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

對跑酷的認知

機器人感知演算法的目的是用於將來自相機和鐳射雷達等感測器的資料轉換為對決策制定和規劃物理動作有用的資料。雖然 Atlas 使用 IMU、關節位置和力感測器來控制其身體運動,並透過感知地面以保持平衡,但它需要感知來識別和導航例如圖 1 中的間隙和窄梁等障礙物。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

圖1:此動畫顯示了一個Atlas機器人生成的點雲旋轉檢視

Atlas 使用飛行時間測距法深度相機以每秒 15 幀的速度生成環境的點雲,點雲是範圍測量的大量集合。Atlas 的感知軟體使用一種名為多平面分割的演算法從點雲中提取平面。該演算法的輸出被輸入到一個對映系統中,該系統構建了 Atlas 透過相機看到的各種不同物件模型。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

圖 2:具有感知輸出的 Atlas 渲染。

圖 2 顯示了 Atlas 的視覺所見以及如何使用這種感知來規劃行動。左上角是深度相機拍攝的紅外影象。主影象中的白點形成點雲。橙色輪廓標記了檢測到的跑酷障礙物的矩形面,隨著時間的推移從感測器觀察中對其進行跟蹤。然後將這些檢測到的人臉用於規劃特定行為。例如,綠色的腳步代表了下一步要跳到哪裡。

為了執行擴充套件的跑酷行為,研發成員為機器人提供了一張高階地圖,其中包括希望它去的地方以及沿途它應該做的特技。這張地圖並不是真實路況的精確幾何匹配,它是一個包含障礙模板和註釋動作的近似描述。Atlas 使用這些稀疏資訊來導航課程,並使用實時感知資料來填充細節。例如,Atlas 知道要尋找要跳的盒子,如果盒子向側面移動 0。5 米,Atlas 會在那裡找到它並跳到那裡。如果盒子被移得太遠,那麼系統將找不到它並停下來。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

圖 3:顯示機器人對跑酷路線中感知的動畫。

這是一個 3D 視覺化動畫,顯示了機器人在跑酷障礙路線中導航時所看到的和計劃的。主動跟蹤的物件以綠色繪製,並在脫離機器人感知感測器的視野時從綠色漸變為紫色。跟蹤系統不斷估計世界上物體的姿態,導航系統使用地圖資訊規劃與這些物體相關的綠色足跡。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

行為庫

Atlas 在跑酷中執行的每個動作都源自使用軌跡最佳化提前建立的模板。透過建立這些模板的庫允許研究者向庫新增新軌跡來不斷為機器人新增新功能。給定感知的計劃目標,機器人從庫中選擇與給定目標儘可能匹配的行為。

透過離線設計進行軌跡最佳化,工程師能夠提前以互動方式探索機器人能力的極限,並減少機器人的相關計算量。例如,由於驅動限制等物理限制,機器人如何精確協調其四肢以啟動和進行後空翻等,這些細節可能對機器人的成功產生重大影響。

利用離線最佳化,研究者可以在設計時捕獲像這樣的重要約束,並使用單個通用控制器線上調整機器人。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

圖4:此行為是使用離線設計進行軌跡最佳化的複雜全身行為的示例。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

模型預測控制

在確定了機器人前面的箱子、坡道或障礙物,並計劃了一系列操作以越過它們後,剩下的挑戰是機器人如何可靠地執行計劃所需的所有細節。

Atlas 的控制器被稱為模型預測控制器 (MPC),因為它使用機器人動力學模型來預測其運動將如何演變為未來的動作。控制器透過最佳化來計算機器人現在要做的最佳事情,從而隨著時間的推移產生最佳動作。

正如上面所描述的,行為庫中的每個模板都會向控制器提供什麼樣子是最佳的解決方案。控制器會調整機器人的力、姿勢和行為時間等細節,以應對環境幾何、腳滑或其他實時因素的差異。擁有一個能夠顯著偏離模板運動的控制器可以簡化行為建立過程,這意味著不必逐個匹配機器人將遇到的每種可能場景相匹配的行為模板。例如,從 52 釐米的平臺上跳下與 40 釐米的跳臺沒有什麼不同,MPC 會解決細節問題。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

圖5:顯示感知和計劃路徑的第一人稱視角。

藍色箭頭對應於機器人在整個過程中移動時的質心和動量的 MPC 預測。

MPC 的預測特性還允許 Atlas 跨越行為邊界來檢視後續動作。例如,知道跳躍之後是後空翻,控制器可以自動建立從一個動作到另一個動作的平滑過渡。這再次簡化了機器人行為建立問題,因為我們不需要提前考慮所有可能的行為序列。當然,MPC 的創新是侷限性的。例如,機器人嘗試從快進慢跑動作過渡到後空翻是行不通的。一般來說,必須控制器複雜性和行為庫大小之間取得平衡。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

結語

Atlas 展示了在跑酷方面的能力,對於波士頓動力來說如何在 Atlas 上建立和控制廣泛的動態行為(也包括舞蹈)有了深刻的瞭解。更重要的是,它創造了設計可擴充套件軟體系統的機會,隨著 Atlas 獲得感知和改變其環境的新能力,該系統將與團隊一起成長。

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

參考連結:

https://blog。bostondynamics。com/atlas-leaps-bounds-and-backflips

https://blog。bostondynamics。com/flipping-the-script-with-atlas

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

波士頓動力機器人解鎖跑酷新技能,憑藉感知驅動技術適應技能

福利來了!月度十大金股,挖掘市場機會!點選檢視>>

開啟App看更多精彩內容

相關文章

頂部