本文转载自雷锋网波士顿动力公司一周前发布了一段90秒的视频。视频中，阿特拉斯完美地跑完了复杂的障碍赛。所以很多网友都很好奇究竟是什么黑科技让机器人如此智能。机器人如何像运动员一样奔跑、翻转和跳跃？创建这些高能量演示是一个有趣的挑战，但波士顿的技术目标不仅仅是创建一个华丽的节目。在Atlas项目中，他们以跑酷为实验主题，通过动态运动、感知和控制之间的联系来研究相关问题。解决这些问题将有助于机器人更平稳地运行。机器人对跑酷的感知机器人的感知算法将用于摄像头、激光雷达等传感器的数据转换策略，以及身体动作的规划。虽然Atlas使用IMU、关节位置和力传感器来控制其身体并感受地面以保持平衡，但Atlas还需要感知算法来识别障碍物，例如图1中看到的木箱和狭窄的桥梁。▲图1：这个动画显示了由Atlas机器人深度相机生成的点云的旋转视图。Atlas使用深度相机以每秒15帧的速度生成环境的点云。点云是距离测量数据的集合。Atlas的感知软件使用多平面分割算法从点云中提取表面。然后将算法输出的数据输入到地图系统中，最后系统帮助Atlas使用摄像头看到不同的物体来建立模型。▲图2：具有感知输出的图集渲染。图2显示了Atlas感知的对象以及通过反馈和计算计划的动作。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。橙色轮廓标记了跑酷障碍物检测到的矩形面孔，这些矩形面孔由传感器随时间跟踪。这有助于Atlas设置特定的行为。例如，绿色脚印标记下一步跳跃和慢跑的位置。为了扩展跑酷课程，机器人被导入到高级地图中，其中包括命令它去的地方以及它应该在沿途执行的操作。这张高级地图与实际课程并不完全吻合，它只是对障碍物位置和一些主要动作的简要描述。所以Atlas使用这个简短的信息来导航，同时用实时感知数据填充细节。例如，Atlas寻找一个可以跳跃的盒子，如果盒子向侧面移动0.5米，Atlas就会找到它并调整它的姿势。如果盒子移动得太远，系统会在找不到它时停止。▲图3：机器人在跑酷过程中对伙伴的感知动画。这是机器人看到的内容以及机器人计划在跑酷障碍训练场上反馈的内容的3D可视化。主动跟踪的对象以绿色绘制，当对象的距离超出感知范围时，图标会从绿色变为紫色。追踪系统也会不断跟进物体的姿态并发送给导航系统，导航系统会通过地图上的信息设计出对应物体的绿色足迹。行为库你在跑酷程序中看到的Atlas执行的每一个动作都来自轨迹优化离线设计创建的模板。这些模板库允许研究人员向库中添加新轨迹和新功能。轨迹优化离线设计让工程师可以交互探索机器人能力的极限，减少机器人的计算量。例如，机器人如何缩回四肢并进行后空翻。这些成果对项目的推进有很大帮助。因为这样可以帮助机器人实现最合理的驱动。科学家们可以使用离线优化来捕捉重要的力点，并使用控制器在线调整他们的动作。▲图4：这个跳马行为是使用离线轨迹优化设计的一个复杂的全身行为的例子。模型预测识别机器人前面的箱子、坡道和障碍物的位置，并设计一系列动作来穿越它们。剩下的挑战是填写机器人执行计划所需的详细问题。Atlas的控制器被称为模型预测控制器(MPC)，因为它使用机器人动力学模型来预测运动将如何演变。控制器的工作原理是对现在最应该做的事情进行优化计算，从而尽可能形成最佳的运动姿态。如上所述，行为库中的每个模板都为控制器提供了最优解。控制器调整动作的力、姿势和时间等细节，以考虑环境几何、脚部打滑或其他实时因素。通过这种方式，可以进行偏离模板运动的控制，从而创建运动过程本身。该方案也大大减少了机器人可能需要的场景行为模板。比如跳下52cm的平台和40cm的平台，MPC会自动算出细节。图5：显示感知和规划路径的第一人称视角。蓝色箭头对应于MPC对机器人沿路线移动时的质心和动量的预测。MPC的预测特性允许Atlas跨越行为边界。例如，知道跳跃后是后空翻，控制器可以自主创建平滑过渡。这也简化了行为创造的问题，因为研究人员不再需要提前考虑可能的行为序列。然而，MPC的创新是有限的。例如，尝试从慢跑过渡到后空翻是行不通的。为未来打下基础他们对在Atlas系统中创建和控制动态行为（包括舞蹈）有深刻的理解。但更重要的是，它创造了一个扩展软件系统的机会，也让Atlas系统能够通过感知自身的环境做出改变。该系统将与他们的团队一起成长。本文编译自波士顿动力官网
