能够自主导航行走的轮腿机器人

背景介绍

城市化进程的加速让供应链物流尤其是最后一公里配送面临巨大挑战。随着交通压力增加和对更快配送服务需求的上升，尤其是室内和街道上的复杂路线给配送带来了难以解决的问题。传统的轮式机器人难以跨越复杂的障碍物，而仅靠腿式系统又无法达到所需的速度和效率。例如，ANYmal机器人虽具备一定的移动能力，但其最大行驶速度仅为平均人行速度的一半，且续航时间也有限。因此，需开发一种即能在平坦地面上高效运动又能跨越障碍物的机器人系统成为了研究的主要方向。

本文主要研究的是轮腿机器人，结合轮子和腿部的优势，使其在长距离运输中既能在中等地面上高速行驶，又能在复杂地形上保持灵活性。

论文来源

本文由Joonho Lee、Marko Bjelonic、Alexander Reske、Lorenz Wellhausen、Takahiro Miki和Marco Hutter撰写，作者分别来自ETH Zurich、Swiss-Mile Robotics AG和Neuromeka。论文于2024年4月24日发表在《Science Robotics》期刊上。

研究工作流与细节

研究流程

1. 系统设计与开发：

   • 本文为轮腿机器人开发了一整套系统，包含自适应运动控制、移动感知的局部导航规划和大规模路径规划。
   • 使用无模型强化学习（Reinforcement Learning，RL）技术和特权学习，开发了一款通用的运动控制器。
   • 为实现高效的城市场景导航，设计了一种集成的层次RL框架，能够在复杂地形和各种障碍物中实现高速有效导航。

2. 实验与验证：

   • 在瑞士苏黎世和西班牙塞维利亚进行了自主导航任务，验证了系统的鲁棒性和适应性。
   • 使用数字孪生模型和实时定位，利用模拟数据训练控制器。

主要实验内容

1. 机器人硬件配置：

   • 机器人配备了多种传感器，包括Lidar、立体相机、5G路由器和GPS天线，支持本地化和路径动态检测。
   • 通过高频物体检测功能实现实时人员跟踪，在20米范围内创建一个缓冲区以增加安全性。

2. 导航系统：

   • 系统设置了全局路径，并利用高度感知控制器生成速度目标指令指引机器人沿路径行进。
   • 控制器利用低级控制器生成的隐藏状态、地形高度值及先前访问的位置序列，做出合理的行进决策。
   • 系统采用一维和二维卷积神经网络结合多层感知器处理输入数据，实现及时响应。

3. 运动控制器：

   • 低级控制器依托无模型RL技术，通过循环神经网络（RNN）学习机器人行走和驾驶模式的平稳切换。
   • 训练过程中使用特权信息提高模型的性能，最终策略仅依赖于从惯性测量单元（IMU）和关节编码器获取的原始数据。

实验结果

1. 大规模自主部署：

   • 机器人在苏黎世和塞维利亚执行长距离自主导航任务，总行驶距离达到8.3公里。
   • 在实验过程中，机器人展现了在各种障碍物和不同地形上行进的能力，平均速度为1.68 m/s，机械运输成本（Cotmech）为0.16。

2. 局部导航与嵌入：

   • 在各种导航场景中，机器人表现出发现阻挡路径、在复杂的障碍间穿行、选取合适步态的能力。
   • 使用相机结合人类检测增加动态障碍识别，实现安全避让行人。

3. 混合运动：

   • 在不同地形上测试低级控制器，机器人展现出适应性强的步态和稳定的身体姿态控制，最大速度达5.0 m/s。
   • 在陡坡、楼梯及其他复杂地形上，机器人展示了爬行与驾驶模式的流畅切换。

研究结论

本文通过对轮腿机器人自主导航系统的设计与验证，展示了轮腿机器人在复杂城市环境中实现高效、鲁棒自主导航的潜力。研究结果不仅验证了系统架构和控制策略的有效性，还展示了轮腿机器人在最后一公里配送中替代人力运输的广阔前景。

研究亮点

1. 新颖的系统集成架构：自适应运动控制、移动感知局部导航规划和大规模路径规划的无缝集成，显著提高了机器人在复杂环境中的导航能力。

2. 混合运动控制：无模型RL技术结合特权学习，开发了高效、鲁棒的运动控制器，使机器人能在多种复杂地形上切换步态，保持高效运动。

3. 实际验证：在苏黎世和塞维利亚进行的大规模自主导航实验，验证了系统的适应性和鲁棒性，为未来的应用提供了重要的实践参考。

该研究表明，轮腿机器人有望在解决城市物流最后一公里配送问题上发挥重要作用，亦为机器人自主导航和智能移动领域的发展提供了新的方向和技术支持。