波士顿动力（Boston Dynamics）旗下双足机器人 Altas每次新的视频发布，都会刷新大众对机器人的认知。波士顿动力日前发布的Altas 跑酷再一次引起了关注及热议，Altas在视频中完成了过独木桥、跳箱子、走斜板、支撑跨栏、后空翻下台阶等动作。
这些惊险动作是如何实现的？需要哪些技术支持呢？近日，波士顿动力在官方网站发布技术博客，详细解密Atlas奔跑、翻转、跳跃背后复杂而精妙的感知及控制机理。
波士顿动力公司的阿特拉斯团队负责人 Scott Kuindersma 表示：“从技术角度来看，类人机器人提出了一些波士顿动力作为研究团队欢迎的挑战，它们的尺寸和复杂性的结合创造了与强度重量比、运行时间、运动范围和物理鲁棒性相关的硬件设计权衡。与此同时，波士顿动力的控制团队必须创建算法来推理这些机器的物理复杂性，以创建广泛的高能量和协调行为。最终，推动像 Atlas 这样的类人机器人的极限推动硬件和软件创新，这转化为波士顿动力波士顿动力公司的所有机器人。”
最终，推动像 Atlas 这样的类人机器人的极限推动硬件和软件创新，这转化为波士顿动力波士顿动力公司的所有机器人。
- Scott Kuindersma，Atlas 团队负责人
跑酷虽然看似狭窄而具体，但它为 Atlas 团队提供了一个完美的沙箱来试验新的行为。这是一项全身活动，需要 Atlas 在不同情况下保持平衡，并在一种行为和另一种行为之间无缝切换。
Kuindersma 说：“这实际上是在机器人能力的极限下创造行为，并让它们在一个灵活的控制系统中协同工作。” “跑酷不会强迫你解决许多重要的问题，但这不是重点。波士顿动力不会试图一下子解决所有问题。波士顿动力现在所做的工作使波士顿动力能够为解决下一组研究问题奠定坚实的基础。”
创建这些高能演示是一个有趣的挑战，但波士顿动力的技术目标不仅仅是创建一个华丽的性能。 在Atlas项目中，他们使用跑酷作为实验主题， 研究完善 Atlas 在快速动作、动态姿态和感知-控制连接上的快速调整能力。
机器人感知算法用于将来自相机和激光雷达等传感器的数据转换为对决策和规划物理动作有用的数据。虽然 Atlas 使用 IMU、关节位置和力传感器来控制其身体运动并感觉地面以保持平衡，但它需要感知来识别和导航障碍物，例如图 1 中的间隙和窄梁。
图 1：此动画显示了一个 Atlas 机器人上的深度相机生成的点云的旋转视图，而另一个机器人则跳过了它的视野。
Atlas 使用飞行时间深度相机以每秒 15 帧的速度生成环境的点云。点云是范围测量的大量集合。Atlas 的感知软件使用一种称为多平面分割的算法从这个点云中提取表面。该算法的输出被输入到一个映射系统中，该系统构建了 Atlas 用其相机看到的不同对象的模型。
图 2：具有感知输出的 Atlas 渲染。
图 2 显示了 Atlas 所见以及如何使用这种感知来计划行动。左上角是深度相机拍摄的红外图像。主图像中的白点形成点云。橙色轮廓标记了检测到的跑酷障碍物的矩形面，随着时间的推移从传感器观察中对其进行跟踪。然后将这些检测到的人脸用于规划特定行为。例如，绿色的脚步代表了下一步要跳到哪里慢跑的未来计划。
为了执行扩展跑酷课程，波士顿动力为机器人提供了一张高级地图，其中包括波士顿动力希望它去的地方以及沿途它应该做的特技。这张地图并不是真实路线的精确几何匹配；它是一个包含障碍模板和注释动作的近似描述。Atlas 使用这些稀疏信息来导航课程，但使用实时感知数据来填充细节。例如，Atlas 知道要寻找要跳的盒子，如果盒子向侧面移动 0.5 米，Atlas 会在那里找到它并跳到那里。如果盒子被移得太远，那么系统将找不到它并停下来。
图 3：显示机器人对跑酷路线中伙伴的感知的动画。
这个动画是一个 3D 可视化，显示了机器人在跑酷障碍路线中导航时所看到的和计划的。主动跟踪的对象以绿色绘制，并在脱离机器人感知传感器的视野时从绿色淡化为紫色。跟踪系统不断估计世界上物体的姿态，导航系统使用地图信息规划与这些物体相关的绿色足迹。
您在跑酷程序中看到 Atlas 执行的每个动作都源自使用轨迹优化提前创建的模板。创建这些模板的库允许波士顿动力通过向库添加新轨迹来不断为机器人添加新功能。给定感知的计划目标，机器人从库中选择与给定目标尽可能匹配的行为。
通过轨迹优化离线设计行为使波士顿动力的工程师能够提前以交互方式探索机器人能力的极限，并减少波士顿动力必须对机器人进行的计算量。例如，由于驱动限制等物理限制，机器人如何精确协调其四肢以启动和收起后空翻的细节可能对成功产生重大影响。利用离线优化，波士顿动力可以在设计时捕获像这样的重要约束，并使用单个通用控制器在线调整它们。
图 4：此拱顶行为是使用离线轨迹优化设计的复杂全身行为的示例。波士顿动力的在线控制器将模板运动变为现实。
确定了机器人前面的箱子、坡道或障碍物并计划了一系列操作以越过它们后，剩下的挑战是填写机器人可靠执行计划所需的所有细节。
Atlas 的控制器是所谓的模型预测控制器(MPC)，因为它使用机器人动力学模型来预测其运动将如何演变为未来。控制器通过求解优化来计算现在要做的最佳事情，以随着时间的推移产生最佳可能的运动。
正如波士顿动力上面所描述的，波士顿动力行为库中的每个模板都为控制器提供了关于一个好的解决方案是什么样子的信息。控制器会调整力、姿势和行为时间等细节，以应对环境几何、脚滑或其他实时因素的差异。拥有能够显着偏离模板运动的控制器简化了行为创建过程，因为这意味着波士顿动力不必拥有与机器人将遇到的每种可能场景相匹配的行为模板。例如，从 52 厘米的平台上跳下与从 40 厘米的平台上跳下没有什么不同，波士顿动力可以相信 MPC 会弄清楚细节。
图 5：显示感知和计划路径的第一人称视角。蓝色箭头对应于机器人在整个过程中移动时的质心和动量的 MPC 预测。
MPC 的预测特性还允许 Atlas 跨行为边界查看。例如，知道跳跃之后是后空翻，控制器可以自动创建从一个动作到另一个动作的平滑过渡。这再次简化了行为创建问题，因为波士顿动力不需要提前考虑所有可能的行为序列。当然，波士顿动力对 MPC 的创新期望是有限的。例如，尝试从快进慢跑运动过渡到后空翻是行不通的。一般来说，波士顿动力必须在控制器复杂性和行为库大小之间取得平衡。
参考：https://blog.bostondynamics.com/flipping-the-script-with-atlas；Demi Xia编译
最前沿的电子设计资讯
