稳过 Spot？Science 子刊封面论文揭示机器狗 ANYmal 如何「凭感受」小跑

原标题：稳过 Spot？Science 子刊封面论文揭示机器狗 ANYmal 如何「凭感受」小跑

这是美国波士顿动力家价值 52.73 万人民币的机器大黄狗子 Spot，它能尬舞、当保安、放羊、巡逻检测，可以说是样样精通。

最近，就在一只 Spot 远赴乌克兰切尔诺贝利核电站勘察辐射污染分布时，瑞士一家 ANYbotics 公司的机器狗也亮相了。

这只红色狗子据说也擅长在复杂地形中自如行走。

这只胜似 animal 的狗子大名就叫 ANYmal，它还登上了 Science 子刊、机器人顶刊 Science Robotics 最新一期的封面。

凭借本体感受控制运动

2020 年 10 月 21 日，一篇揭示 ANYmal 机器狗如何在复杂地形中如履平地的论文发表于 Science Robotics，题为 Learning quadrupedal locomotion over challenging terrain（在具有挑战性的地形上学习四足移动）。

这项研究的科研团队来自苏黎世联邦理工学院机器人系统实验室、韩国科学技术院机器人与人工智能实验室、英特尔智能系统实验室。

上海交通大学教授、国家 973 计划首席科学家高峰曾在 2018 年世界机器人大会期间表示：

轮式机器人最终将会走向足式机器人，而四足机器人有更好的运动能力。

正如论文介绍，足式运动可将机器人的活动范围扩展到一些极具挑战性的环境中。不过，传统足式运动控制器所依靠的是能明显触发运动运动原语和反射执行（motion primitives and reflexes）的「状态机」（state machines）。

可以说，这种设计保证了机器人可在各种复杂场景中进行四足运动，但并未达到自然界动物那样的运动水平。毕竟，高度不规则的轮廓、种类多样的地形、容易打滑的表面、障碍物，都是潜在的阻碍因素。这种情况下，机器人可能因为打滑失去平衡，甚至导致灾难性的故障。

而更为严重的情形是，机器人无法获得地形物理特性的准确信息——包括相机、激光雷达在内的感受性传感器无法可靠地测量物理特性（如摩擦力、柔度）。

针对这种情况，科研人员提出了一种鲁棒控制器——在运动控制中加入本体感受反馈（proprioceptive feedback），这种反馈来自两种足式机器人最为耐用、可靠的传感器：联合编码器和惯性测量单元（如下图）。

此前已有科研团队通过以下两种成果，成功实现了足式机器人从仿真到物理环境的应用：

对包括制动器在内的物理系统建模；

物理参数随机化：参数在模拟和现实环境中会出现不同，这一做法可使控制器对各种情况都具有鲁棒性，无需预先进行精确建模。

不过，科研人员在仿真环境中训练了控制器后发现，ANYmal 仍然不足以在崎岖的地形上如履平地。

出于这一原因，科研人员又引入了三步（如下图）。

时间卷积网络（TCN）：可以根据本体感受状态的扩展历史产生驱动。

特权学习：将训练过程分解为两个阶段，首先训练一个能够感知地形和机器人与地面之间接触情况的「教师」，然后「教师」指导纯粹本体感受的「学生」（即控制器）进行学习。

自适应地“合成”地形：根据控制器在训练过程中不同阶段的表现，综合形成对地形物理特征的准确感知，最终控制器极具灵活性。

狗子可在各种地形小跑

科研人员表示：

我们的研究表明，无需进行精确建模或一系列危险而又成本高昂的实地试验，ANYmal 的控制器就可以驯服物理世界异常复杂的各种地形。

据了解，利用这种控制器的驱动，两代 ANYmal 机器狗可在包括泥土、沙子、碎石、茂密的植被、积雪、流水等各种环境中小跑，而这种「测试环境」已经超出了此前所有足式机器人的研究范围。

看着的确挺稳！

在室内试验中，ANYmal 正在上台阶，其高度为 16.8 厘米，这个高度高于平坦地形上正常行走时狗子腿部的间隙。

实际上，DARPA（美国国防高级研究计划局）机器人地下挑战赛中也有 ANYmal 的身影。

这一竞赛的目的是开发可快速绘制、导航和搜索复杂地下环境（包括隧道、城市地下和洞穴网络）的机器人系统。按规定，比赛期间操作人员不得协助机器人，仅允许远程操作。因此，这要求上述控制器在较长的一段时间内无故障地执行。

而 ANYmal 和它的控制器的表现没有令人失望：控制器在长达 60 分钟的四个任务中控制了两个 ANYmal-B 机器狗，整个比赛中控制器的失效率为零。

下图显示的是比赛中机器狗正在穿越陡峭的楼梯。

在论文最后，科研人员坦言，ANYmal 仅表现出了小跑步态，这的确比自然界中四足动物的步态模式范围要窄。

不过科研人员也表示：

步态模式一定程度上受机器人的运动学和动力学约束，ANYmal 未来可以有多步态能力，多样性的训练方案和目标可以激发这些能力。

期待 ANYmal 未来变得更强的样子。

引用来源：

https://robotics.sciencemag.org/content/5/47/eabc5986

https://www.youtube.com/watch?v=P6y_dhFTgik

雷锋网雷锋网雷锋网(公众号：雷锋网)

雷锋网原创文章，未经授权禁止转载。详情见转载须知。