听这篇文章
|
机器人需要具备哪些条件才能像运动员一样跑、跳、跳、跳呢?创建这些高能演示是一个有趣的挑战,但我们的技术目标不仅仅是创建一个华丽的性能。在Atlas项目在美国,我们用跑酷作为实验主题来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,这些问题使机器人能够在飞行中适应——相当确切地说——。
对跑酷运动的认识
机器人感知算法用于将摄像机和激光雷达等传感器的数据转换为有用的决策和计划物理行动的数据。虽然Atlas使用imu、关节位置和力传感器来控制身体运动,并通过感知地面来实现平衡,但它需要感知来识别和导航如图1所示的间隙和窄梁等障碍。
图1:这个动画展示了一个Atlas机器人上的深度摄像机生成的点云的旋转视图,同时另一个机器人跳过它的视野。
Atlas使用飞行时间深度相机以每秒15帧的速度生成环境中的点云。点云是距离测量的一个大集合。Atlas的感知软件使用一种称为多平面分割的算法从点云中提取表面。这个算法的输出被输入到一个映射系统中,该系统构建Atlas用它的相机看到的不同物体的模型。
图2显示了Atlas看到了什么,以及如何使用这种感知来计划行动。左上方是深度相机拍摄的红外图像。主图像中的白色点构成点云。橙色的轮廓线标出了跑酷障碍检测到的矩形面,这些矩形面是通过传感器观测到的。这些被检测到的脸被用来计划特定的行为。例如,绿色的脚步代表着一个未来的计划,在哪里跳跃和慢跑下一步。
图2:带有感知输出的Atlas渲染图
为了执行一个延伸的跑酷路线,我们给机器人一个高级地图,包括我们想让它去哪里,以及在路上它应该做什么特技。这张地图与真实的航线不是精确的几何匹配;它是一种包含障碍模板和带注释的操作的近似描述。Atlas使用这种稀疏信息来导航,但使用实时感知数据来填充细节。例如,阿特拉斯知道找一个盒子跳上去,如果盒子向一边移动0.5米,阿特拉斯就会在那里找到它并跳过去。如果箱子移得太远,系统就找不到它,就会停下来。
下面的动画是3D可视化,展示了机器人在跑酷障碍赛中所看到和计划的内容。主动跟踪的物体被绘制成绿色,当它们离开机器人的感知传感器的视野时,就会从绿色淡出紫色。跟踪系统持续估计世界上物体的姿态,导航系统利用地图上的信息规划与这些物体相关的绿色足迹。
图3:一个展示机器人感知的动画跑酷课程的伙伴。
行为库
阿特拉斯在跑酷过程中所做的每一个动作都是由预先创建的模板(使用轨迹优化)衍生出来的。创建这些模板的库允许我们通过向库中添加新的轨迹来不断为机器人添加新的功能。通过感知给定计划目标,机器人从库中选择与给定目标尽可能接近的行为。
通过轨迹优化设计离线行为可以让我们的工程师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的计算量。例如,机器人如何精确地协调其四肢以启动和卷起后肢的细节会对成功产生重大影响,这是由于诸如驱动限制之类的物理限制。利用离线优化,我们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:这个拱顶行为是使用离线轨迹优化设计的复杂整体行为的一个例子。我们的在线控制器将模板动作变成现实。
模型预测控制
确定了机器人面前的箱子、坡道或障碍,并计划了一系列的动作来克服它们,剩下的挑战是填充机器人可靠地执行计划所需的所有细节。
Atlas的控制器被称为模型预测控制器(MPC),因为它使用机器人的动力学模型来预测它的运动将如何发展到未来。控制器的工作原理是通过优化来计算当前要做的最好的事情,从而随着时间的推移产生最佳的可能动作。
正如我们上面所描述的,行为库中的每个模板都向控制器提供关于一个好的解决方案是什么样的信息。控制器可以调整诸如力、姿势和行为时间等细节,以应对环境几何形状、脚滑或其他实时因素的差异。拥有一个能够显著偏离模板运动的控制器将简化行为创建过程,因为这意味着我们不必拥有匹配机器人将遇到的每个可能场景的行为模板。例如,从52厘米高的平台上跳下和从40厘米高的平台上跳下并没有什么不同,我们可以相信MPC会解决细节问题。
图5:第一人称视图同时显示了感知和计划路径。蓝色箭头对应MPC预测的机器人的质心和动量,因为它通过过程。
MPC的预测特性还允许Atlas跨行为边界进行观察。例如,知道跳跃之后是后空翻,控制器就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,我们对货币政策委员会的期待也有其局限性。例如,试图从快进的慢跑动作过渡到后空翻是行不通的。一般来说,我们必须在控制器复杂性和行为库大小之间取得平衡。
为未来奠定基础
我们在跑酷上的工作让我们对如何在Atlas上创建和控制广泛的动态行为有了深刻的理解(还包括舞蹈).但更重要的是,它为设计一个可扩展的软件系统创造了机会,随着Atlas获得感知和改变环境的新能力,该软件系统将与我们的团队一起成长。我们很高兴能够在此基础上继续拓展Atlas的功能范围。
关于作者
Pat Marion是波士顿动力公司的高级机器人工程师,他领导Atlas的感知软件开发。帕特于2013年开始与Atlas合作,当时他是麻省理工学院高级研究计划局机器人挑战团队的一员。Pat拥有麻省理工学院的计算机科学硕士学位,此前曾从事自动驾驶汽车、高性能计算和科学可视化研究。
编者按:本文经波士顿动力公司许可转载。
迈克尔•米勒说
这是一个惊人的壮举。尽管如此,如果机器人完全实时计算行为计划,使用多个并发规划技术,而不是使用离线优化,那就更好了