新知一下
海量新知
5 9 0 9 4 0 6

机器人跑酷

老冀说科技 | 一线报道科技行业的大事小情 2021/08/20 16:42

最近,波士顿动力的 Atlas机器人又解锁了一项新的技能,那就是跑酷。 老冀看了一下波士顿动力发布的跑酷视频, 说老实话,老冀跑起来也没这么顺溜。

新知达人, 机器人跑酷

此前, Atlas已经解锁过跑步、跳跃、前空翻、后空翻、跳舞等技能 。不过, 跑酷 不仅仅是把这些动作串联起来 这么简单 背后 还有更大的提升。

新知达人, 机器人跑酷

第一 大提升 是更协调的全身运动。 在跑酷的过程中, Atlas 做了个 单手支撑 然后全身跃过平衡木 的动作 。这个动作对于很多年轻人当然不算难 (对于老冀估计已经有点难了 ……) ,对于 Atlas 这个机器人就不那么容易了。因为 Atlas没有脊椎和肩胛骨,手臂关节也比较弱,而且 重达 86千克, 这就决定了它 必须找到适合的运动模式。

这里的关键就是 Atlas上半身运动技能的加强。此前看过Atlas各种酷酷运动的朋友都会发现,这个机器人的下半身非常有力,大人使劲推都推不倒;而上半身的力量则有所欠缺,也并没有设计太多的动作。而通过这次跑酷,尤其是飞跃平衡木的动作可以看出,Atlas上半身的运动技能得到了加强。运动起来,全身也显得更加协调。

第二 个重要的提升,则是 Atlas 有了感知能力。之前, Atlas的跳舞虽然令人印象深刻,不过当时它还是按照事先编排好的动作,并不需要感知外部环境并做出反应。而在这次跑酷中,研究团队 特意只是 创建了很少的模板行为, 这就要求 Atlas根据自己感知到的障碍物,随时调整自己的动作。 从视频中可以看出, Atlas做得很不错。

新知达人, 机器人跑酷

这其实也体现了波士顿动力的远大目标,那就是通过 Atlas这款探索型的产品,不断将机器人的能力推向新的极限,直到创造出能够从事通用性工作的 人形 机器人。

(问答环节)

针对这次 Atlas跑酷的表现,IEEE Spectru与波士顿动力公司 Atlas 团队负责人Scott Kuindersma和Atlas 控制负责人Benjamin Stephens 通过电子邮件 进行了交谈。

新知达人, 机器人跑酷

Atlas 团队负责人Scott Kuindersm a

新知达人, 机器人跑酷

Atlas 控制负责人Benjamin Stephens

双方的对话如下:

IEEE Spectrum:您能否描述一下 Atlas 运行的一些限制条件,以及它的行为有多脆弱?例如,它能否处理摩擦的变化,如果需要不同的运动序列,它能否自主适应?

Scott Kuindersma 和 Benjamin Stephens: 让自己 行为适应各种环境的能力 Atlas 的一个关键设计原则 因此对于像跑酷这样的活动,我们经常通过更改路线的几何形状来测试机器人。 Atlas 也能够在一定程度上处理脚滑动等问题。我们在木头、垫子、沥青、草地和具有抓地力纹理的表面 上对 Atlas进行测试 而且 没有明确告诉 Atlas 摩擦和地面顺应性是不同的。 当然,也有一定的 限制 —— 冰上跑酷可能行不通。

Atlas 的控制系统还在 移动序列 进行重新排序 方面提供了一定的灵活性,无论这些序列是提前提供的(如这里的情况),还是作为计划过程的输出在线生成的。 Atlas 行为库背后的理念 他们 可以在 环境中 使用

IEEE Spectrum:看到 Atlas 使用更多的上半身进行动态机动,这令人印象深刻。Atlas 将在多大程度上继续使用类似人类的运动来实现动态移动,而不是可以针对独特的机器人功能进行更优化的运动?

Kuindersma 和 Stephens:我们对创造充分利用硬件的行为很感兴趣,即使产生的运动并不完全像人类。也就是说,令人难以置信的人体运动的广度和质量仍然是我们的灵感来源,特别是在跑酷等情况下,展示的协调性和运动能力激发了有用的硬件和软件创新。

IEEE Spectrum: 你们 在博客文章中提到 Atlas 没有脊椎或肩胛骨, 使得他 能做的事情 有了 一些限制。经过多次迭代的 Atlas,您认为多少仿生设计是合适的?

Kuindersma 和 Stephens:在构建像 Atlas 这样的机器人时,总会有很多工程 上的 权衡来塑造最终设计。目前 波士顿动力 已经 发展了几代人形机器人,并在尺寸、运动范围和强度重量比之间取得了良好的平衡。当我们确定了机器的物理限制时,这对我们的设计团队来说就变成了有用的信息。在某些情况下,可以通过增量升级来改善限制。 对于 新机器人 设计,我们 必须 在机器人当前 的局限性 我们希望机器人在未来几年 做的事情 之间找到平衡,并 做出 决定 。这些决定主要是由我们的技术目标和实验分析推动的,而不是由人类表现数据推动的。

IEEE Spectrum:上次我们听说,Atlas 没有在 跑酷的时候 使用机器学习。当 你们 教授 Atlas 新行为时,您究竟是如何做到的?

Kuindersma和Stephens:Atlas 在跑酷期间的行为可以表示为优化问题,随着时间的推移 协调力量和运动的策略。我们使用优化来离线设计 Atlas库中的行为,并在线调整和执行它们。当您可以将想要的内容描述为易于处理的优化问题时,这种编程策略很有效 。但是, 并非所有任务都是这样。例如,在难以写下详细解决方案的情况下(例如,视觉主导的操作任务),机器学习成为编程行为的重要工具。我们 能够 利用 两种方法的优势来解决问题 ,我们对这样 的机会感到兴奋。

IEEE Spectrum:在这一点上,Atlas 更受硬件约束还是受软件约束?如果您想让 Atlas 做一些新的事情,那么不可能与不可能之间的界限是什么?

Kuindersma 和 Stephens:在机器人硬件的极限下寻找和操作 是做跑酷之类的动机的一部分。但是,如果我们考虑 Atlas 这样的机器人 能够 做什么的长期愿景,那么使用现有硬件进行软件创新的机会很多。我们将继续在 硬件和软件 这两个方面进行改进。在过去的七年里, Atlas 的行为已经从走上楼梯和移动纸板箱 发展到你今天看到的跑步、翻转和跳舞。我们很高兴 能够 看到 未来七年 它将带领 我们走向何方。

更多“机器人”相关内容

更多“机器人”相关内容

新知精选

更多新知精选