感知算法、規(guī)劃地圖……波士頓動力揭秘Atlas機器人跑酷背后的技術

數(shù)學算法俱樂部

日期 ： 2021年09月11日       

正文共 ：2203字

來源 ： 機器之心

波士頓動力 Atlas 展示了接近于人類的跑酷能力，能夠快速越過具有一定傾斜度的障礙物、執(zhí)行快速轉身、跳躍等動作。這背后進行了哪些技術改進和創(chuàng)新呢？波士頓動力高級機器人工程師、Atlas 感知軟件開發(fā)負責人 Pat Marion 為大家詳盡地解讀了 Atlas 跑酷背后的技術。

幾天前，波士頓動力公司放出了雙足人形機器人 Atlas 的最新酷炫視頻。這次，Atlas 展示了它的最新技能「跑酷」。

在一系列傾斜膠合板還有木箱壘成的階梯以及平衡木的場景挑戰(zhàn)中，Atlas 如履平地，表現(xiàn)堪稱完美。

其實三年前，波士頓動力就曾發(fā)布過 Atlas 跑酷的視頻。不過當時，Atlas 跑起來顯得更僵硬，步伐也稍顯沉重。

早期 Atlas 跨越障礙的視頻。

短短幾年時間，從硬件和外觀層面與先前沒有太大區(qū)別的 Atlas 在運動方式上有了顯著提升，平衡感也顯然更好。

波士頓動力在背后進行了哪些技術改進和創(chuàng)新呢？機器人需要具備哪些條件才能像人一樣奔跑、跳躍和跨越障礙呢？

波士頓動力高級機器人工程師、Atlas 感知軟件開發(fā)負責人 Pat Marion 為大家詳盡地解讀了 Atlas 跑酷背后的技術。

跑酷認知能力

機器人感知算法的目的是將相機和雷達等傳感器中的數(shù)據(jù)轉換為對決策制定和規(guī)劃形體動作有益的東西。雖然 Atlas 使用集成 IMU、聯(lián)合位置和力傳感器來控制自身的肢體動作，并通過感知地面來保持平衡，但它需要利用感知來識別和導航以下動圖 1 中的間隙和窄梁等障礙。

深度相機拍攝的 Atlas 機器人的點云旋轉視圖。

Atlas 使用 TOF 深度相機以每秒 15 幀的速度生成環(huán)境的點云，點云是測距的大規(guī)模集合。Atlas 的感知軟件使用一種名為多平面分割的算法從點云中提取平面。多平面分割算法的輸入饋入到一個映射系統(tǒng)中，該系統(tǒng)為 Atlas 通過相機看到的各種不同對象構建模型。

下圖 2 顯示了 Atlas 的視覺「所見」以及如何使用這種視覺感知來規(guī)劃行為。左上角是深度相機拍攝的紅外圖像。主圖像中的白點形成點云。橙色輪廓標記了檢測到的跑酷障礙物的矩形面，隨著時間的推移從傳感器觀察結果中對其進行跟蹤。然后將這些檢測到的對象用于規(guī)劃特定行為。例如，綠色的腳步代表下一步要跳到哪里。

具有感知輸出的 Atlas 渲染。

為了執(zhí)行擴展的跑酷行為，波士頓動力的研發(fā)團隊為機器人提供了一張高級地圖，其中包括研發(fā)人員希望它去的地方以及沿途它應該做的動作。該地圖與真實路線的幾何形狀不完全匹配，而是一個包含障礙模板和注釋動作的近似描述。Atlas 使用這些稀疏信息來導航，并使用實時感知數(shù)據(jù)來填充細節(jié)。

例如，Atlas 知道要尋找要跳的盒子，如果盒子向側面移動 0.5 米，Atlas 會找到它的新位置并跳到那里。但如果盒子被移得太遠，那么系統(tǒng)將找不到它并停下來。

波士頓動力機器人跑酷視覺「看到」和規(guī)劃的信息。

這是一個 3D 可視化動畫，主動跟蹤的物體以綠色繪制，并在脫離機器人感知傳感器的視野時從綠色淡化為紫色。跟蹤系統(tǒng)持續(xù)估計物體姿態(tài)，導航系統(tǒng)利用地圖上的信息來規(guī)劃與這些物體相關的綠色足跡。

Atlas 行為庫

Atlas 在跑酷中所做的每個動作都源自使用軌跡優(yōu)化提前創(chuàng)建的模板。通過創(chuàng)建這些模板庫允許研究者向庫中添加新的軌跡，從而可以不斷為機器人添加新的功能。給定感知計劃目標，機器人從庫中選擇與給定目標盡可能匹配的行為。

通過離線設計進行軌跡優(yōu)化，工程師能夠提前以交互方式探索機器人能力的極限，并減少機器人的相關計算量。例如，由于驅動等物理限制，機器人如何精確協(xié)調其四肢以啟動和進行后空翻，這些細節(jié)可能對機器人的成功產(chǎn)生重大影響。

利用離線優(yōu)化，研究者可以在設計時捕獲這種類似的重要約束，并使用單個通用控制器在線調節(jié)機器人。

上圖機器人行為是使用離線軌跡優(yōu)化設計的復雜行為，同時在線控制器將模板動作變成現(xiàn)實。

模型預測控制

在確定了機器人前面的箱子、坡道或障礙物，并計劃了一系列操作以越過它們后，剩下的挑戰(zhàn)就是機器人如何可靠地執(zhí)行計劃所需的所有細節(jié)。

Atlas 控制器被稱為模型預測控制器（model-predictive controller, MPC），該控制器使用機器人動力學模型來預測機器人未來的動作。控制器的工作原理是通過優(yōu)化來計算機器人當前要做的最優(yōu)事情，從而隨著時間的推移產(chǎn)生最佳動作。正如前文所述，行為庫中的每個模板會向控制器提供什么解決方案是最佳的選擇。

控制器會調整機器人的力、姿勢和行為時間等細節(jié)，以應對環(huán)境、腳滑或其他實時因素帶來的影響。擁有一個能夠顯著偏離模板動作的控制器可以簡化行為創(chuàng)建過程，這意味著不用逐個匹配機器人遇到的每一個細節(jié)。例如，機器人從 52 厘米高的平臺上跳下和從 40 厘米高的平臺上跳下并沒有什么不同，MPC 會解決細節(jié)問題。

以第一視角顯示了 Atlas 感知和規(guī)劃的路徑。藍色箭頭為 MPC 預測的機器人在整個移動過程中的質心和動量。

MPC 的預測特性還允許 Atlas 跨越行為邊界來查看后續(xù)動作。例如，知道跳躍之后是后空翻，控制器可以自動創(chuàng)建從一個動作到另一個動作的平滑過渡。這再次簡化了機器人行為創(chuàng)建問題，因為我們不需要提前考慮所有可能的行為序列。當然，MPC 預測也存在局限性，例如，機器人嘗試從快進慢跑動作過渡到后空翻是行不通的。一般來說，必須在控制器復雜性和行為庫大小之間取得平衡。

Atlas 展示了接近于人類的跑酷能力，對于波士頓動力來說如何在 Atlas 上創(chuàng)建和控制廣泛的動力學行為有了深刻的了解。更重要的是，它為設計一個可擴展的軟件系統(tǒng)創(chuàng)造了機會，該軟件系統(tǒng)將與團隊一起成長。

原文鏈接：https://blog.bostondynamics.com/flipping-the-script-with-atlas

— THE END —

?京東 | AI人才聯(lián)合培養(yǎng)計劃

?知名教授：希望論文一作發(fā)Nature后去當公務員的那名學生能看到我的這篇文章

?90后「V神」封神之路：4歲學編程，19歲創(chuàng)辦以太坊，4年十億身家！

?零的突破！炸出圈的“女媧補天”教授獲國家杰青！

?25歲曹原，今獲凝聚態(tài)青年物理學家全球最高獎！科大少年班「魔角天才」Nature八連殺

?數(shù)學之美：當代最偉大數(shù)學家回顧過去百年的數(shù)學