Atlas 跑酷背后的原理[译]

Source Link Pat Marion

机器人像运动员一样跑步、翻转、撑跳和跳跃需要什么？创建这些高动态演示是一个有趣的挑战，但我们的技术目标不仅仅是创造华丽的性能。在 Atlas 项目中，我们使用跑酷作为实验主题，研究与快速行为生成、动态运动以及感知和控制之间的联系有关的问题，这些问题使机器人能够实时地适应。

机器人感知

机器人感知算法用于将相机和激光雷达等传感器的数据转换为对决策和规划物理动作有用的数据。虽然 Atlas 使用 IMU、关节位置和力传感器来控制其身体运动并检查地面保持平衡，但它需要感知来识别和障碍物，如图 1 所示的间隙和窄梁。

Atlas 使用 ToF 深度相机以每秒 15帧的速度生成环境点云。点云是空间距离测量的集合。Atlas 的感知软件使用一种称为多平面分割的算法从这一点云中提取表面。该算法的输出被输入到一个建图系统中，该系统构建 Atlas 用相机看到的不同对象的模型。

图2显示了 Atlas 所看到的内容，以及如何利用这种感知来规划行动。左上角是深度相机拍摄的红外图像。主图像中的白点形成点云。橙色轮廓标记检测到的跑酷障碍物的矩形面，这些障碍物通过传感器观察随着时间的推移进行跟踪。然后，这些检测到的面用于规划特定行为。例如，绿色脚步代表了下一步跳和慢跑的规划结果。

为了执行扩展跑酷内容，我们事先给机器人提供了一张高级地图，其中包括我们希望它去哪里，以及它沿途应该做什么特技。这张地图不是真实课程的精确几何匹配；它是一个包含障碍模板和注释触发动作的近似描述。Atlas 使用此稀疏信息导航，但使用实时感知数据完善细节。例如，Atlas 知道寻找一个可以跳的盒子，如果盒子向侧面移动 0.5米，那么 Atlas 会在那里找到它并跳到那里。如果盒子移动得太远，那么系统将找不到它，并停止。

这个动画是一个三维可视化，展示了机器人在跑酷障碍赛道上导航时所见和规划的内容。主动跟踪的物体以绿色绘制，当它们离开机器人的感知传感器时，从绿色褪成紫色。跟踪系统持续估计世界坐标系上物体的位姿，导航系统使用地图上的信息规划相对于这些物体的绿色足迹。

行为库

您看到 Atlas 在跑酷例程中执行的每个动作都来自使用轨迹优化提前离线创建的模板。创建这些模板的库允许我们通过向库中添加新轨迹来不断为机器人添加新功能。根据感知给定的规划目标，机器人从库中选择尽可能与给定目标匹配的行为。

通过轨迹优化离线设计行为，使我们的工程师能够提前交互式探索机器人能力的极限，并减少我们在机器人上进行的计算量。例如，由于驱动极限等物理限制，机器人如何精确协调四肢发射和折叠后空翻的细节可能会对成功产生重大影响。利用离线优化使我们能够在设计时捕获此类重要约束，并使用单个通用控制器在线调整它们。

模型预测控制

在确定了机器人前面的盒子、坡道或障碍物并规划了一系列跨越它们的操作后，剩下的挑战是完善机器人可靠地执行规划所需的所有细节。

Atlas 的控制器被称为模型预测控制器（MPC），因为它使用机器人动力学模型来预测其运动。控制器通过求解优化问题，该优化问题计算了现在要做的最优动作，以产生未来一段时间的最优轨迹。

如上所述，我们行为库中的每个模板都提供了有关良好解决方案的控制器信息。控制器调整力、姿势和行为定时等细节，以应对环境几何形状、脚滑或其他实时因素的差异。拥有一个容忍偏离模板运动的控制器简化了行为创建过程，因为它意味着我们不必拥有与机器人将遇到的每个可能场景相匹配的行为模板。例如，从 52厘米的平台上跳下来和 40厘米的平台没有太大区别，我们可以相信 MPC 会弄清楚细节。

MPC 的预测属性还允许 Atlas 行为切换。例如，知道跳跃后是后空翻，控制器可以自动创建从一个动作到另一个动作的平稳过渡。这再次简化了行为创建问题，因为我们不需要提前考虑所有可能的行为序列。当然，我们可以期待 MPC 的创新是有限度的。例如，试图从快进慢跑动作过渡到后空翻是行不通的。一般来说，我们必须在控制器复杂性和行为库大小之间取得平衡。

总结

我们在跑酷方面的工作让我们对如何在 Atlas 上创建和控制广泛的动态行为，包括舞蹈，有了深刻的理解。但更重要的是，它为设计一个可扩展的软件系统创造了机会，随着 Atlas 获得感知和改变其环境的新能力，该系统将与我们的团队一起成长。我们很高兴在拓展 Atlas 能力范围时继续在此基础上再接再厉。