一个宽松的猎豹在滚动的田野上冲刺，围绕着崎terrain的地形突然间隙。运动看起来可能毫不费力，但是让机器人以这种方式移动是一个完全不同的prosp
一个宽松的猎豹在滚动的田野上冲刺，围绕着崎terrain的地形突然间隙。据麻省理工学院新闻报道，该运动看起来可能毫不费力，但是让机器人以这种方式移动是一个完全不同的前景。
近年来，受猎豹和其他动物运动的启发的四足机器人向前迈出了巨大的飞跃，但在跨越景观的情况下，他们仍然落后于哺乳动物的同行。
“在这些设置中，您需要使用视觉来避免失败。例如，如果您看不到它，就很难避免踏入差距。尽管有一些现有的方法可以将视觉融入到腿部的运动中，但其中大多数并不真正适合与新兴的机器人系统一起使用。麻省理工学院的人工智能实验室（CSAIL）。
现在，Margolis和他的合作者已经开发了一个系统，可以提高腿部机器人的速度和敏捷性，因为它们在地形上的差距上跳跃。新颖的控制系统分为两个部分 – 一个部分从安装在机器人正面的摄像机中进行实时输入，另一个将这些信息转化为机器人应如何移动其身体的说明。研究人员在MIT Mini Cheetah上测试了他们的系统，MIT Mini Cheetah是一家强大的敏捷机器人，建于机械工程教授Sangbae Kim实验室。
与控制四足机器人的其他方法不同，这两部分的系统不需要提前映射地形，因此机器人可以到达任何地方。将来，这可能使机器人能够通过紧急响应任务向树林收费，或爬上楼梯以将药物运送到老年人关闭。麻省理工学院的实验室，是电气工程与计算机科学系的史蒂文·G（Steven G.）和蕾妮·芬恩（Renee Fine）职业发展助理教授；麻省理工学院机械工程系的Sangbae Kim教授；以及麻省理工学院的研究生Tao Chen和Xiang Fu。其他合着者包括亚利桑那州立大学的研究生Kartik Paigwar；以及马萨诸塞大学阿默斯特大学的助理教授Donghyun Kim。这项工作将在下个月的机器人学习会议上介绍。
一切都在控制
使用两个独立的控制器的使用使该系统特别创新。
控制器是一种算法，它将将机器人的状态转换为一组动作，以供其遵循。许多盲目控制者（不融合视觉的人）是强大而有效的，但只能使机器人在连续的地形上行走。
视觉是一个如此复杂的感觉输入，以至于这些算法无法有效处理它。确实结合了视觉的系统通常依赖于地形的“高度图”，必须在即时进行前构造或生成，如果高度图不正确，通常会缓慢而容易失败。
为了开发他们的系统，研究人员从这些健壮，盲目控制器中获取了最佳元素，并将它们与一个单独的模块相结合，该模块可实时处理视觉。机器人的摄像机捕获了即将到来的地形的深度图像，这些图像被馈送到高处。水平控制器以及有关机器人身体状态的信息（关节角，身体方向等）。高级控制器是一个从经验中“学习”的神经网络。
该神经网络输出了目标轨迹，第二个控制器使用该轨迹为机器人的12个接头中的每个接头提出了扭矩。这个低级控制器不是神经网络，而是依靠一组简明的物理方程式来描述机器人的运动。
“层次结构，包括使用此低级控制器，使我们能够限制机器人的行为，从而更加良好。借助这个低级控制器，我们正在使用可以对基于学习的网络中的限制进行限制的明确指定模型，” Margolis说。
教网络
研究人员使用称为强化学习的试验方法来训练高级控制器。他们对机器人进行了模拟，跨越了数百个不同的不连续地形，并为成功的穿越而奖励了它。
随着时间的流逝，该算法了解了哪些动作最大化了奖励。
然后，他们用一组木板建造了一个物理，宽大的地形，并使用迷你猎豹（Mini Cheetah）进行了控制方案。
“与我们的一些合作者在麻省理工学院内部设计的机器人一起工作绝对很有趣。迷你猎豹是一个很棒的平台，因为它是模块化的，主要是由您可以在线订购的零件，因此，如果我们想要新的电池或相机，那只是从普通供应商那里订购的简单问题，并且有一点Margolis说，估算机器人的状态被证明是一个挑战。与模拟不同，现实世界传感器会遇到可以积累并影响结果的噪声。因此，对于一些涉及高精度脚部的实验，研究人员使用运动捕获系统来衡量机器人的真实位置。
他们的系统优于仅使用一个控制器的其他人，而迷你猎豹成功地越过了90％的地形。
“我们系统的新颖性是它确实调整了机器人的步态。如果一个人试图跨越一个非常宽的差距，他们可能会从非常快速的速度开始以建立速度开始，然后他们可能会将两脚放在一起，以在整个差距上取得真正强大的飞跃。同样，我们的机器人可以调整脚接触的时机和持续时间以更好地穿越地形。” Margolis说。
跳出实验室
Margolis说，尽管研究人员能够证明他们的控制计划在实验室中起作用，但在他们可以在现实世界中部署该系统之前，他们还有很长的路要走。
将来，他们希望将一台更强大的计算机安装到机器人上，以便它可以在船上进行所有计算。他们还希望改善机器人的状态估计器，以消除对运动捕获系统的需求。此外，他们想改善低级控制器，以便可以利用机器人的全部运动范围，并增强高级控制器，以便在不同的照明条件下运行良好。” Kim说：“能够绕过精心设计的中间过程（例如，基于模型的技术）依靠精心设计的中间过程（例如状态估计和轨迹计划）的机器学习技术。” “我对移动机器人的未来感到兴奋，专门针对运动训练了更强大的视觉处理。”
这项研究部分受到麻省理工学院不可能的AI实验室，仿生机器人实验室，NAVER LABS和DARPA机器常识计划的支持。
在麻省理工学院新闻的允许下重新发布。阅读原始文章。
原创文章，作者：点数网，如若转载，请注明出处：http://www.dsonekey.com/3024.html
