機器狗會中國功夫是一種什么體驗？

且看下面這只黑白狗，直接就是一個花式過梅花樁：

(資料圖片)

瞧這單樁跳：騰空一躍，四腳穩(wěn)穩(wěn)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(tǒng)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于摔跤。

更別提下樁時，它還會耍一個完美的前空翻，穩(wěn)穩(wěn)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(wǎng)友想讓它可以幫忙取快遞……（這還差不多）

所以，這只靈活的機器狗，到底什么來頭？

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，學會適應復雜地形是大多數(shù)機器狗要學習的重要任務之一。

對于出現(xiàn)的踩歪、打滑等危險情況，業(yè)界一般做法都是采用提?步頻、減慢速度、加?控制算法魯棒性的?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(guī)劃路線的誤差范圍。

這樣一來，機器狗就能夠做到一出腳就是對的，不需要試探、也不需要多余的動作來維持或者恢復平衡，從而做到走得又快又穩(wěn)。

那么，Max是如何做到每一步都找準樁?中?，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(guī)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厘米梅花樁陣列。

在上樁之前，系統(tǒng)并不會給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，以便為后面的軌跡規(guī)劃做準備。

據(jù)研究人員介紹，這一步最大的挑戰(zhàn)是如何在持續(xù)力沖擊下實現(xiàn)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?RGB攝像頭、慣性傳感器（IMU）、深度傳感器等多種設備，所有傳感數(shù)據(jù)融合在一起獲得高質(zhì)量的環(huán)境數(shù)據(jù)。

在各傳感器數(shù)據(jù)融合過程中，一種啟發(fā)式的算法被用來保證數(shù)據(jù)一致性，并通過合理評估和選擇各種傳感器數(shù)據(jù)在優(yōu)化過程中的權重，保證定位實時、穩(wěn)定并具有魯棒性。

由于Max在移動過程具有速度快、步頻?、?沖擊?等特點，這會使得各種傳感器數(shù)據(jù)出現(xiàn)大量噪聲，引發(fā)干擾。

比如，在跳等動作的持續(xù)力沖擊下，深度傳感器就會出現(xiàn)拖影現(xiàn)象。

因此，在地形的時域融合過程中，研究人員還引?了一個統(tǒng)計分布策略，它能在?效過濾錯誤地形信息的同時，保留精確的有效地形區(qū)域結果，估計出樁?中?相對于機器?的精準位置，在?定程度上也能緩解梅花樁晃動帶來的?擾。

最終，Max做到了地形識別精度?于2cm、視覺定位累積誤差?于1%。

建成的地形?度圖可以獲取平?任意坐標對應的?度以及局部法向。

2、規(guī)劃最優(yōu)行動軌跡

看準地形后，下?步Max要根據(jù)所?信息完成動作軌跡規(guī)劃，最大的難點是如何在快速穿越的過程中，保證實時規(guī)劃出最優(yōu)的路線。

這里就采用了一種6D最優(yōu)軌跡?成技術。

所謂6D，除了X、Y、Z軸上的位置數(shù)據(jù)，還包括機器狗需要做出的偏航、俯仰和滾動維度的信息。

該生成技術可根據(jù)Max的運動步態(tài)、速度等指令，預估落腳點，并根據(jù)落腳點周邊的地形?度圖，選出最優(yōu)的點，也就是樁面中心。

此外，系統(tǒng)還會結合最優(yōu)點，考慮Max運動過程中的動?學約束、摩擦約束、?端?作空間約束等，進行?次優(yōu)化，實時求解真正的最優(yōu)6D軌跡。

對于跳躍、空翻這類動作，Max還需要達到的一個目標是省?，即驅動?最?化。

這里就用到了一種基于?線性優(yōu)化的軌跡規(guī)劃技術。

該技術可以兼容四腳跳（Pronking）和雙腳跳（Bounding）等多樣化步態(tài)，通過跳躍距離、跳躍步態(tài)、最?關節(jié)?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(guī)劃好后，Max就可以開始正式?動，最大的考驗是如何控制恰到好處的力、按照規(guī)劃軌跡實現(xiàn)精準落點

在跟蹤參考軌跡方面，Max 采用了最新版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， 基于更精確的線性化動力學模型，效果更好。

而在力控方面，據(jù)研究人員介紹，一般來說，動作越是高動態(tài)、越是不穩(wěn)，就越要求控制精度。

本次表演的動作中，每個環(huán)節(jié)都有自己的難度：

空翻屬于高動態(tài)，作揖、雙輪站立屬于易失穩(wěn)；而對于單樁跳躍這個動作，機器狗的四?落腳點距離很近，?撐區(qū)域很?，收攏的腿部姿勢也導致 Max的運動及發(fā)?空間受限，對力控的精度更是要求極高。

為了實現(xiàn)以上動作的精準力控，團隊?研了一個模型預測控制算法，并給Max加?了基于關節(jié)?矩反饋的觸地檢測能?。

這個算法的相關論文登上了機器人領域頂會ICRA 2022。

對于平移運動的追蹤，自研線性模型預測控制算法獲得了和業(yè)界經(jīng)典算法同等的控制效果；而對于旋轉運動的追蹤，其表現(xiàn)甚至比其他算法更優(yōu)秀。

具體而言，這個算法利?軸?和指數(shù)坐標來表示旋轉運動，成功規(guī)避了之前線性化?法中的多個近似性假設，如：??速度、轉動慣量在預測窗?內(nèi)時不變等。

最終保留了更多的參數(shù)，從?獲得了一個更精確的動?學模型。

基于該動?學模型，研究團隊進?步構建了模型預測控制（model predictive control）問題，通過求解?次規(guī)劃（quadratic programming）的優(yōu)化問題，來得出最優(yōu)?端接觸?。

此外，Max在做跳躍、前空翻等需要騰空的動作時，可利用關節(jié)?矩反饋來判斷四肢觸地狀態(tài)，從而及時且精準地進?主動的質(zhì)?軌跡規(guī)劃與柔順?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，借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(chuàng)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(nèi)第一個會過樁的四足機器人Jamoca快了4倍。

除此之外，硬件方面，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，并增加了沖擊力解耦設計，最終提高了輪足切換的穩(wěn)定性。

以及Max的整體結構上也進行了拓撲優(yōu)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、抗沖擊性能等方面也有所提升。

研究人員表示，接下來，他們會基于Max這個四足機器人平臺，探索更精準的傳統(tǒng)控制和AI控制算法，最終讓機器狗實現(xiàn)復雜環(huán)境下的任意行走。

狗子背后的實驗室

看完了Max的精彩表演和它搭載的硬核技術，再來了解下這只機器狗的誕生地——

成立于2018年的騰訊旗下機器人實驗室：Robotics X。

目前，實驗室里一共“養(yǎng)”了兩只“狗子”，除了Max還有一個叫Jamoca的前輩，它是國內(nèi)第一只學會走梅花樁的機器狗。

當然，除了“狗子”之外，這個實驗室里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。

可以保持平衡并自動駕駛的摩托車。

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(xiàn)任騰訊最高專業(yè)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能及研究事業(yè)部首席研究員和研究經(jīng)理，在MSR工作了近20年。

正如前文介紹Max的未來發(fā)展方向所說，比起做簡單、重復勞動的機器人，Robotics X更關注機器人的自主特性研究，注重于讓其學會自主判斷、自主決策等。

One More Thing

最后，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(nèi)部AI訓練完成后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么效果，只是意外記錄下了這個視頻。

看來Max很有自己的想法啊?。―oge）

當然，如果想讓它成為一只聽主人話的狗， 通過指令即可對其發(fā)號施令。

本文來自微信公眾號“量子位”（ID:QbitAI），作者：豐色，36氪經(jīng)授權發(fā)布。