一个机器人要如何才能像运动员一样奔跑、翻转、跳跃？创造这些高耗能的演示是一个有趣的挑战，但我们的技术目标不仅仅是创造一个华丽的表演。在阿特拉斯（Atlas）项目中，我们以跑酷为实验主题，研究与快速行为创造、动态运动以及感知和控制之间的联系有关的问题，这使机器人能够在“飞行”中自我适应。
跑酷运动的感知
机器人感知算法用于将来自摄像机和激光雷达等传感器的数据转化为对决策和规划物理行动有用的东西。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受地面的平衡，但它需要感知来识别和导航障碍物，如图1中看到的缝隙和窄梁。
图1：该动画显示了一个机器人阿特拉斯上的深度相机所产生的点云的旋转视图，同时另一个机器人跳过其视野。
机器人阿特拉斯使用一个飞行时间深度相机，以每秒15帧的速度生成环境点云，该点云是一个大的范围测量的集合。Atlas的感知软件使用一种叫做多平面分割的算法从这个点云中提取表面，算法输出被传给一个绘图系统，该系统为阿特拉斯机器人用相机看到的不同物体建立模型。
图2显示了阿特拉斯看到的东西以及如何利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。主图像中的白色点构成了点云。橙色的轮廓标志着检测到的跑酷障碍物的矩形面，传感器长期观察跟踪这些障碍物。这些检测到的面然后被用于规划特定的行为。例如，绿色的脚步代表了未来的计划，即下一步要在哪里跳跃和慢跑。
图2：带有感知输出的阿特拉斯的渲染图
为了执行一个扩展的跑酷课程，我们给机器人一个高阶地图，包括我们希望它去的地方和它在路上应该做的特技。这张地图并不是与真实路线的精确几何匹配；它是一个包含障碍物模板和注释动作的近似描述。阿特拉斯使用这些零星的信息来导航，但使用实时感知数据来填补细节。例如，阿特拉斯知道要找一个箱子跳上去，如果箱子向旁边移动0.5米，那么阿特拉斯会在那里找到它并跳上去。如果盒子被移得太远，那么系统就不会找到它，并会停下来。
下面这个动画是一个三维可视化，显示了机器人在跑酷障碍赛中所看到的和计划的情况。积极追踪的物体被画成绿色，当它们离开机器人感知传感器的视野时，会从绿色渐渐变成紫色。追踪系统不断地估计世界上物体的位置，而导航系统则利用地图上的信息计划相对于这些物体的绿色脚步。
图3：机器人在跑酷课程中的对象感知动画。
行为库
你在跑酷过程中看到的Atlas所做的每一个动作，都来自于提前使用轨迹优化创建的模板。创建这些模板库，使我们能够通过向库中添加新的轨迹，不断为机器人增加新的能力。给定感知中的计划目标，机器人从库中选择尽可能符合给定目标的行为。
通过轨迹优化离线设计行为，我们的工程师可以提前以交互方式探索机器人能力的极限，并减少我们在机器人上所做的计算量。例如，由于驱动限制等物理限制，机器人如何准确协调其四肢发射和后空翻的细节可能对成功有很大影响。利用离线优化，我们可以在设计时捕捉到这样的重要约束，并使用单一的、通用的控制器对其进行在线调整。
图4：这个支撑跳行为是一个使用离线轨迹优化设计的复杂全身行为的例子，我们的在线控制器将该模板运动变成现实。
模型预测控制
在确定了机器人前面的箱子、坡道或障碍物，并计划了一连串的动作来越过它们之后，剩下的挑战就是写入机器人可靠地执行计划所需的所有细节。
阿特拉斯的控制器是所谓的模型预测控制器（MPC），因为它使用机器人的动力学模型来预测其运动未来将如何发展。该控制器的工作原理是解决一个优化问题，计算出现在要做的最优的事情，以便在一段时间内产生最佳的运动。
正如我们上面所描述的，我们行为库中的每个模板都给控制器提供了关于一个好的解决方案的信息。控制器调整细节，如力、姿势和行为时间，以应对环境几何的差异、脚的滑动或其他实时因素。拥有一个能够明显偏离模板动作的控制器，可以简化行为创建过程，因为它意味着我们不必有符合机器人将遇到的每一种可能情况的行为模板。例如，从52厘米的平台上跳下和从40厘米的平台上跳下并没有什么不同，我们可以相信MPC会弄清这些细节。
图5：显示感知和计划路径的第一人称视图。蓝色箭头对应的是机器人在移动过程中的质心和动量的MPC预测。
MPC的预测特性也使阿特拉斯能够跨越行为边界。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，因为我们不需要提前考虑所有可能的行为序列。当然，我们可以从MPC中期待的创新是有限制的。例如，试图从一个快速前进的慢跑动作过渡到一个后空翻的动作是行不通的。一般来说，我们必须在控制器的复杂性和行为库的大小之间取得平衡。
为未来打下基础
我们在跑酷方面的工作使我们对如何在Atlas上创建和控制广泛的动态行为（也包括舞蹈）有了深刻的理解。但更重要的是，它创造了一个机会来设计一个可扩展的软件系统，随着Atlas获得感知和改变其环境的新能力，该系统将与我们的团队一起成长。我们很高兴能在这个基础上继续扩大Atlas的范围。
关于作者
帕特-马里恩是波士顿动力公司的高级机器人工程师，他负责Atlas的感知软件开发。帕特在2013年作为麻省理工学院DARPA机器人挑战队的成员首次开始与Atlas合作。帕特拥有麻省理工学院的计算机科学硕士学位，之前曾在自动驾驶汽车、高性能计算和科学可视化方面工作。
联系客服
