今日应用
今日话题
波士顿动力技术揭秘:后空翻、俯卧撑与翻车,6年经验、教训总结
重点标签 波士顿动力、人形机器人、Atlas、模型预测控制、MPC
文章摘要
波士顿动力公司以其先进的人形机器人Atlas而闻名。该公司最初使用液压系统,但后来转向电动版本,以提高灵活性和适应工业环境。Atlas的研发历程在机器人技术分享会上被详细介绍,其中包括使用模型预测控制(MPC)技术来实现复杂动作,如跑酷、体操和后空翻。
MPC技术的核心优势:
– 处理多变量系统和显式考虑约束条件
– 动态和复杂环境下提供鲁棒的控制解决方案
所有版本的Atlas都采用了MPC,具有以下共同特点:
1. 非线性动力学、成本和约束
2. 迭代线性化并求解二次规划问题(QP)
3. 重视问题结构以提高速度
4. 不将求解器视为黑盒,而是重写其内部以提高性能
简化模型与分阶段优化:
波士顿动力首先将机器人视为一个“土豆”,专注于重心动力学,实现了360度旋转和后空翻等动作。然后,他们转向分阶段优化,结合重心动力学和运动学,以实现更复杂的动作,如单手支撑跳过平衡木。
运动学-重心动力学耦合系统:
为了进一步提高性能,波士顿动力将Atlas视为一个运动学-重心动力学耦合的系统,实现了540度转体空翻等高难度动作。
物体操纵与环境感知:
通过将机器人和物体的状态放入同一个MPC问题中,Atlas能够执行扔工具包、搬运木板等动作。此外,通过使用体素地图等世界表示作为MPC问题的额外约束,机器人能够在结构化环境中进行局部优化。
遥控操作与自主行为:
波士顿动力展示了通过遥控操作将操作者手部动作转换为MPC参考轨迹的能力。同时,他们还在尝试让机器人执行自主行为,如注视固定点并向其移动。
经验与教训:
– 更复杂的模型持续有效
– 将重心动力学和运动学结合在一个优化过程中效果更好
– 直接优化的非线性MPC可为非凸问题做出正确决策
– 精心的工程设计和软件性能至关重要
– 粗略的轨迹可以成为良好的参考,但制作轨迹本身具有挑战性
尚未解决的问题:
– 如何适应动态变化的期望行为和实时调整参考轨迹
– 如何处理局部优化中的梯度错误引导问题
– 如何在增加模型复杂性的同时减少延迟
– 如何最有效地使用现代计算架构
未来展望:
波士顿动力计划将MPC与机器学习结合,以应对挑战。可能的结合方式包括:
– 将MPC用作数据收集平台
– 将MPC用作API,与强化学习策略交互
– 将MPC作为教师,训练更高效的策略
– 将MPC作为当前选择,直到找到更合适的替代技术
这次分享展示了波士顿动力在Atlas研发过程中的经验、教训和未来愿景,为机器人行业从业者提供了宝贵的启示。
文章来源
原文地址: 点我阅读全文
原文作者: 机器之心