机器狗在沙滩上轻松快速地奔跑

KAIST(理事长 Kwang Hyung Lee)25 日宣布，由机械工程系 Jemin Hwangbo 教授领导的研究团队开发出一种四足机器人控制技术，即使在沙滩等可变形地形中也能稳健敏捷地行走。

Hwangbo 教授的研究小组开发了一种技术，可以模拟行走机器人在沙子等颗粒材料地面上受到的力，并通过四足机器人进行模拟。此外，该团队还研究了一种人工神经网络结构，该结构适用于在没有先验信息的情况下同时行走以适应各种类型的地面所需的实时决策，并将其应用于强化学习。经过训练的神经网络控制器有望扩大四足步行机器人的应用范围，证明其在多变地形中的鲁棒性，例如即使在沙滩上也能高速移动，在松软的地面上像空气一样行走和转弯床垫而不会失去平衡。

这项研究，具有博士学位。KAIST机械工程系学生Soo-Young Choi作为第一作者，于1月在Science Robotics上发表。(论文标题：在可变形地形上学习四足运动)。

强化学习是一种人工智能学习方法，用于创建一台机器，该机器收集任意情况下各种动作结果的数据，并利用该数据集执行任务。由于强化学习所需的数据量非常庞大，因此广泛使用通过模拟来近似真实环境中的物理现象来收集数据的方法。

特别是，步行机器人领域的基于学习的控制器在通过模拟收集的数据进行学习以成功地在各种地形中执行步行控制后，已被应用于真实环境。

然而，由于当实际环境与学习的模拟环境有任何差异时，基于学习的控制器的性能会迅速下降，因此在数据收集阶段实现一个类似于真实环境的环境非常重要。因此，为了创建可以在变形地形中保持平衡的基于学习的控制器，模拟器必须提供类似的接触体验。

研究团队定义了一个接触模型，该模型基于考虑了先前研究中定义的颗粒介质的附加质量效应的地面反作用力模型，预测了行走身体的运动动力学在接触时产生的力。

此外，通过计算每个时间步长的一个或多个接触产生的力，可以有效地模拟变形地形。

该研究团队还引入了一种人工神经网络结构，该结构通过使用循环神经网络分析来自机器人传感器的时间序列数据来隐式预测地面特征。

学习到的控制器安装在机器人“RaiBo”上，该机器人由研究团队亲手打造，在沙滩上以高达 3.03 m/s 的速度高速行走，机器人的脚完全浸没在沙子中。即使是在草地、跑道等较硬的地面上，也能适应地面的特性，稳定运行，无需额外编程，也无需修改控制算法。

此外，它还在气垫上以1.54 rad/s(约每秒90°)的速度稳定旋转，即使在地形突然变软的情况下也展现了其快速的适应能力。

研究团队通过与假设地面为刚性的控制器进行比较，证明了在学习过程中提供合适的接触体验的重要性，并证明了所提出的递归神经网络根据地面特性修改了控制器的行走方式。

研究团队开发的模拟和学习方法有望有助于机器人执行实际任务，因为它扩大了各种步行机器人可以操作的地形范围。

第一作者 Suyoung Choi 说：“已经表明，提供基于学习的控制器与真实变形地面的密切接触体验对于应用于变形地形至关重要。” 他继续补充说：“所提出的控制器可以在没有地形先验信息的情况下使用，因此可以应用于各种机器人行走研究。”