波士顿动力机器人跑酷揭秘！不用动捕和特效，凭借感知和适应技能完成动作

戴国刚 · 发表于 2021-8-25 15:50:17|来自：中国浙江湖州

南无阿弥陀佛，南无观世音菩萨，南无地藏王菩萨。

Calvin · 发表于 2021-8-25 16:10:18|来自：中国浙江湖州

真的猛

ITACHI · 发表于 2021-8-25 17:17:03|来自：中国浙江湖州

牛逼

灵芝书店 · 发表于 2021-8-26 07:44:57|来自：中国浙江湖州

萧箫发自凹非寺
量子位报道 | 公众号 QbitAI
波士顿动力呆板人get跑酷技能，着实震撼了一波网友。
然而，它的跑酷技能毕竟是不是真的？

这套行云流水的动作，背后到底有没有“预设程序”？
呆板人是根据环境及时做出动作判断，照旧每一步都颠末准确测量……
现在，波士顿动力亲自公布了呆板人Atlas跑酷背后的原理。
让我们从呆板人的视角，来看看它眼中的跑酷世界是什么样的。
呆板人眼中的跑酷世界
在呆板人Atlas的大脑中，有一个模糊的地图“表面”。
同时，Atlas还会拿到一些目标信息，例如在举措中需要完成什么动作、会遇到什么样的障碍物。
相比于准确的感知地图，这个稀疏地图并不会准确到路线表面和障碍物之间的距离，而是需要靠Atlas用感知算法去“看”。
像这样，需要及时规划出本身的行走路线，并根据障碍物的距离进行调整：

“看”不到远处的障碍物
例如，Atlas知道地图上会出现一个盒子，它要做的动作是跳上去。
这个盒子可能会与地图的标注相差甚远，甚至往旁边移动了0.5米，但它仍然能靠感知算法，正确找到这个盒子并跳上去（除非盒子远得离开了Atlas视野范围，它就会停下来）。
其中，Atlas下一步需要跟踪的物体是绿色的，而不在传感器视野范围内的物体，则是紫色的。
Atlas会凭借自身的跟踪系统，来不断地估计障碍物在地图上的准确位置；再根据导航系统，结合及时感知数据，绘制出需要行走的绿色脚印。
那么，Atlas毕竟是怎么感知环境、并做出动作的呢？
首先，它会通过感知算法来“看”，即获取摄像机、激光雷达等传感器数据；然后，再做出举措判断，即转换为决策和物理上的动作。
感知上，Atlas使用ToF深度相机，来生成帧率为15的点云，其中包含大量的距离信息，并借此判断出如何跨过像间隙、窄梁这样的障碍目标。
动作上，Atlas通过惯性测量单位和力传感器，结合关节位置信息来控制身体运动，同时在地面上保持平衡。
Atlas会接纳感知软件，使用多平面点云分割算法来从点云中提取出物体表面，并被输入到画图系统中，让系统通过摄像机参数/照片建立差别物体的模型。
这是Atlas眼中的障碍物、和它的举措规划图：

其中，Atlas会通过深度相机捕捉到红外图像（左上角），并从图像数据中提取出点云，绘制出跑酷障碍物的表面（橙色表面）。
再根据传感器观测数据及时进行位置跟踪，在这些物体表面上规划下一步举措，例如跳跃或慢跑等，并提前生成绿色的轨迹脚印。
预设动作，但无须预设细节
从上面的感知算法中可以看出，呆板人Atlas的跑酷确实“有备而来”。
也就是说，无论是翻越、跑、跳跃、后空翻，Atlas在跑酷过程中的每一个动作，都需要提前计划好，并被放进模板库中。

在计划中，这些动作会根据轨迹优化技术进行完美调整，再根据具体的举措目标，从模板中进行选用。
同时，使用轨迹优化呆板人的离线行为，让工程师来探索呆板人举措的极限，来降低计算量。
例如，发现呆板人训练过程中的一些限制条件，并及时做出调整。
像呆板人后空翻这个动作，表面上的成功率来自于呆板人的四肢协调，但颠末优化后才发现，这背后的根本缘故原由是由于身体的驱动限制。
而一切举措的控制，都来自于一个叫做MPC（模型预测控制器）的Atlas“大脑”，它要做的就是计算出当下的最佳动作，并根据时间推移预测出最好的举措。
也正是由于这个控制器，让波士顿动力不用在意Atlas的控制细节，因为它不仅能从52cm的跳台跳下来，也能从40cm的跳台一跃而下。
同时，呆板人也不会本身做出慢跑后直接后空翻这样“不可能”的行为。
如上种种可以看出，呆板人背后确实做出了大量“预设”，但最终的举措和目标，却并不全是演练和动画。
至于网友之前猜测的CG殊效，这次波士顿动力似乎简直没用在视频中。

等待呆板人Atlas的下一场表演。