跑酷|解密：波士顿动力如何用算法构建Atlas机器人的感官世界( 二 )

文章插图

图4：这种跳马行为是使用离线轨迹优化设计的复杂全身行为的一个例子。

模型预测
确定了机器人前面盒子、坡道和障碍的位置，并设计了一系列越过它们的动作。剩下的挑战是填写机器人执行计划所需的细节问题。
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运动将如何演变。控制器的工作原理是优化计算出现在最应该做的事情是什么，从而尽可能形成好的运动姿态。
【跑酷|解密：波士顿动力如何用算法构建Atlas机器人的感官世界】如上所述，行为库中的每个模板都向控制器提供了最优的解决方案。控制器调整力、姿势和行为时机等细节，应对环境几何形状、脚滑或其他实时因素。这样就可以拥有能够偏离模板运动的控制，自我创建运动过程。这种解决方案也大大减少了机器人可能需要的场景行为模板。例如，从52厘米的平台上跳下来和40厘米的平台跳下来，MPC会自动弄清楚细节。

文章插图

图5：显示感知和计划路径的第一人称视图。蓝色箭头对应于MPC对机器人在路线中移动时质心和动量的预测。

MPC的预测特性允许Atlas跨越行为界限。比如，知道跳跃后是后空翻，控制器可以自主创建一个平稳过渡的动作。这也简化了行为创建问题，研究人员不需要再提前考虑可能的行为序列。不过，MPC的创新是有限度的。例如，试图从慢跑运动过渡到后空翻是行不通的。

为未来奠定基础
他们对Atlas系统中创建和控制动态行为（也包括舞蹈）有了深刻的理解。但更重要的是，创造了一个可扩展软件系统的机会，也让Atlas系统通过感知自身环境做出改变，这个系统将与他们的团队一起成长。
原文链接：https://twitter.com/BostonDynamics/status/1429876922293575681

雷锋网雷锋网雷锋网