豐色 Alex 發自 凹非寺
量子位 | 公眾號 QbitAI
機器狗會中國功夫是一種什麼體驗?
且看下面這隻黑白狗,直接就是一個
花式過梅花樁
:
瞧這單樁跳:騰空一躍,四腳穩穩落在前方小圓盤上,連個趔趄都沒打。
當然,站立和起身作揖這樣的傳統技能也不在話下。雖然是在樁子上,但狗子完全能控制好力道不至於摔跤。
更別提下樁時,它還會耍一個完美的前空翻,穩穩落地結束表演。
真狗都很難做到吧~
如此身輕如燕的狗子很快就吸引了一波關注。
有人就表示希望再做大一點,這樣就能當坐騎了。
(話說見過騎狗的嗎)
還有網友想讓它可以幫忙取快遞……
(這還差不多)
所以,這隻靈活的機器狗,到底什麼來頭?
三招功夫過梅花樁
它是Max二代機器狗,來自騰訊Robotics X實驗室,今天正式對外亮相。
在一開始的訓練思路上,騰訊的做法就和大眾不同。
我們知道,學會適應複雜地形是大多數機器狗要學習的重要任務之一。
對於出現的踩歪、打滑等危險情況,業界一般做法都是採用
提⾼步頻、減慢速度、加⼤控制演算法魯棒性的⼿段
來恢復它們的平衡。
而騰訊選擇機器狗在梅花樁這樣“一旦踩歪踩錯就沒有挽救機會”的極端地形上練習,就是為了限制它們規劃路線的誤差範圍。
這樣一來,機器狗就能夠做到一出腳就是對的,不需要試探、也
不需要多餘的動作
來維持或者恢復平衡,從而做到走得又快又穩。
那麼,Max是如何做到每一步都找準樁⾯中⼼,精準完成各種高難度動作穿越梅花樁的呢?
簡單來說,分為三大招:地圖識別、行動軌跡規劃和動作控制。
1、識別地圖和定位
Max面對的是一段全長10米,高0。8米(Max兩倍身高),最小樁面直徑僅10釐米梅花樁陣列。
在上樁之前,系統並不會給Max配備先驗地圖,也就是每次它面對的都是未知的地圖。
因此,它要學的第一件事就是識別地形,感知自己和梅花樁的位置,以便為後面的軌跡規劃做準備。
據研究人員介紹,這一步最大的挑戰是如何在持續力衝擊下實現精準視覺定位和地形識別,同時兼顧實時性與低延遲。
為此,他們給Max身上配備了單⽬RGB攝像頭、慣性感測器(IMU)、深度感測器等多種裝置,所有感測資料融合在一起獲得高質量的環境資料。
在各感測器資料融合過程中,一種啟發式的演算法被用來保證資料一致性,並透過合理評估和選擇各種感測器資料在最佳化過程中的權重,保證定位實時、穩定並具有魯棒性。
由於Max在移動過程具有速度快、步頻⾼、⼒衝擊⼤等特點,這會使得各種感測器資料出現大量噪聲,引發干擾。
比如,在跳等動作的持續力衝擊下,深度感測器就會出現
拖影
現象。
因此,在地形的時域融合過程中,研究人員還引⼊了一個
統計分佈策略
,它能在⾼效過濾錯誤地形資訊的同時,保留精確的有效地形區域結果,估計出樁⾯中⼼相對於機器⼈的精準位置,在⼀定程度上也能緩解梅花樁晃動帶來的⼲擾。
最終,Max做到了地形識別精度⼩於2cm、視覺定位累積誤差⼩於1%。
建成的地形⾼度圖可以獲取平⾯任意座標對應的⾼度以及區域性法向。
2、規劃最優行動軌跡
看準地形後,下⼀步Max要根據所⻅資訊完成動作軌跡規劃,最大的難點是如何在快速穿越的過程中,保證
實時
規劃出
最優
的路線。
這裡就採用了一種
6D最優軌跡⽣成技術
。
所謂6D,除了X、Y、Z軸上的位置資料,還包括機器狗需要做出的偏航、俯仰和滾動維度的資訊。
該生成技術可根據Max的運動步態、速度等指令,預估落腳點,並根據落腳點周邊的地形⾼度圖,選出最優的點,也就是樁面中心。
此外,系統還會結合最優點,考慮Max運動過程中的動⼒學約束、摩擦約束、⾜端⼯作空間約束等,進行⼆次最佳化,實時求解真正的最優6D軌跡。
對於跳躍、空翻這類動作,Max還需要達到的一個目標是
省⼒
,即驅動⼒最⼩化。
這裡就用到了一種
基於⾮線性最佳化的軌跡規劃技術
。
該技術可以相容四腳跳(Pronking)和雙腳跳(Bounding)等多樣化步態,透過跳躍距離、跳躍步態、最⼤關節⼒矩等約束條件,得出結果。
3、控制動作,按軌跡精準落點
動作軌跡規劃好後,Max就可以開始正式⾏動,
最大的考驗是如何控制恰到好處的力、按照規劃軌跡實現精準落點
在跟蹤參考軌跡方面,Max 採用了最新版xMPC+WBC
(Model Predictive Control and Whole-Body Impulse Control,模型預測控制和全身控制)
控制架構, 基於更精確的線性化動力學模型,效果更好。
而在力控方面,據研究人員介紹,一般來說,動作越是高動態、越是不穩,就越要求控制精度。
本次表演的動作中,每個環節都有自己的難度:
空翻
屬於高動態,作揖、雙輪站立屬於易失穩;而對於
單樁跳躍
這個動作,機器狗的四⾜落腳點距離很近,⽀撐區域很⼩,收攏的腿部姿勢也導致 Max的運動及發⼒空間受限,對力控的精度更是要求極高。
為了實現以上動作的精準力控,團隊⾃研了一個
模型預測控制演算法
,並給Max加⼊了
基於關節⼒矩反饋的觸地檢測能⼒
。
這個演算法的相關論文登上了機器人領域頂會ICRA 2022。
對於平移運動的追蹤,自研線性模型預測控制演算法獲得了和業界經典演算法同等的控制效果;而對於旋轉運動的追蹤,其表現甚至比其他演算法更優秀。
具體而言,這個演算法利⽤軸⻆和指數座標來表示旋轉運動,成功規避了之前線性化⽅法中的多個近似性假設,如:⼩⻆速度、轉動慣量在預測窗⼝內時不變等。
最終保留了更多的引數,從⽽獲得了一個更精確的動⼒學模型。
基於該動⼒學模型,研究團隊進⼀步構建了模型預測控制
(model predictive control)
問題,透過求解⼆次規劃
(quadratic programming)
的最佳化問題,來得出最優⾜端接觸⼒。
此外,Max在做跳躍、前空翻等需要騰空的動作時,可利用關節⼒矩反饋來判斷四肢觸地狀態,從而及時且精準地進⾏主動的質⼼軌跡規劃與柔順⼒控,有效避免身體大幅晃動,使整個動作看起來更流暢絲滑。
由此,藉助以上三大招的功夫,Max二代完成了精彩的花式過樁表演。
去年,
一代Max亮相,當時它就開創了腿輪一體化設計,讓機器狗不僅能站起來,還能滑著走。
這次,二代Max不僅學會了在樁上表演各種難度動作,過樁速度也比國內第一個會過樁的四足機器人Jamoca快了4倍。
除此之外,硬體方面,Max的輪足切換功能也做了改進,磁吸式的腿部鎖定機構升級為了機械式的,並增加了衝擊力解耦設計,最終提高了輪足切換的穩定性。
以及Max的整體結構上也進行了拓撲最佳化,增加了電池功率,外形上看起來更加緊湊簡潔,在整機強度、抗衝擊性能等方面也有所提升。
研究人員表示,接下來,他們會基於Max這個四足機器人平臺,探索更精準的傳統控制和AI控制演算法,最終讓機器狗實現複雜環境下的任意行走。
狗子背後的實驗室
看完了Max的精彩表演和它搭載的硬核技術,再來了解下這隻機器狗的誕生地——
成立於2018年的騰訊旗下機器人實驗室:Robotics X。
目前,實驗室裡一共“養”了兩隻“狗子”,除了Max還有一個叫
Jamoca
的前輩,它是國內第一隻學會走梅花樁的機器狗。
當然,除了“狗子”之外,這個實驗室裡還有其他機器人成員:
比如會花樣空翻、靈活越障的輪式機器人Ollie。
可以保持平衡並自動駕駛的摩托車。
該實驗室的負責人張正友博士,是著名的AI和機器人研究員,現任騰訊最高專業職級——17級科學家。
同時,他還是騰訊 AI Lab負責人,以及ACM Fellow和IEEE Fellow。
在加入騰訊之前,張正友曾任微軟人工智慧及研究事業部首席研究員和研究經理,在MSR工作了近20年。
正如前文介紹Max的未來發展方向所說,比起做簡單、重複勞動的機器人,Robotics X更關注機器人的自主特性研究,注重於讓其學會自主判斷、自主決策等。
One More Thing
最後,一個小彩蛋:
如果你覺得機器狗遛起來沒有靈魂,不妨看看這個場面。
雖為機器,Max二代卻會“撲腳”、“撒歡跑”,是不是有點
遛真狗
的意思了?
不過,這其實是Max二代內部AI訓練完成後第一次測試時的樣子,研究人員表示:
當時我們也不知道它會跑成什麼效果,只是意外記錄下了這個影片。
看來Max很有自己的想法啊!
(Doge)
當然,如果想讓它成為一隻聽主人話的狗, 透過指令即可對其發號施令。
開啟App看更多精彩內容