波士顿动力机器狗学会跳绳！三条狗玩得真欢乐

运动技能：即一种反馈策略，可以产生协调的动作来完成特定类型的任务，这是构建更复杂动作的基础；专家：具有专业运动技能的DNN；运动模式：四肢协调运动的一种模式，如站立、原地转动、向前 / 向后小跑、左右转向、跌倒恢复等。

图｜不同的技能种类（来源：Science Robotics）

研究人员为机器人训练了8项运动技能，包括：（1）从背部翻身；（2）侧滚；（3）身体姿势控制；（4）站立平衡；（5）左转；（6）右转；（7）小步小跑；（8）大步小跑。

不同的技能需要不同的触发方式，而把 “八技” 融会贯通是 MELA 合成可变技能和产生适应性行为的基础。

面对不同情况下，GNN 生成可变权重（α）来融合所有八个专家网络的参数，这样新合成的运动技能可以通过混合各个专家的有效技能，快速生成不同的运动技能，来适应各种未知场景。

图｜多专家学习框架 MELA 的原理（来源：Science Robotics）

实验结果表明，依靠 MELA 输出的融合技能加持，“绝影” 机器人的关键恢复能力控制在1秒内（恢复身体姿态平均0.5s，恢复小跑模式平均0.4s），也显示出了在非结构化环境下更强的可靠性和通障性能。

还有一个值得关注诀窍是，研究人员从生物运动控制中汲取了灵感，这让运动控制和学习框架更加贴近真实的四足动物。

例如，动物的运动行为都是受中枢神经系统控制的，中枢神经系统会重新设置身体关节的参考位置，根据参考位置与实际位置之间的差异，激发肌肉活动以产生适当的力进行姿态调整。

由于阻抗控制提供的弹簧阻尼特性类似于生物肌肉的弹性，因此研究团队应用了平衡点（EP）控制假设，通过调控平衡点来生成关节扭矩。

受肌肉系统的生物力学控制和 EP 假设的启发，研究人员其实将机器人控制分为了两层：在底层，团队使用扭矩控制为机器人配置关节阻抗模式；在顶层，指定深度神经网络（DNN）为所有关节产生设定平衡点，以调节姿势和关节扭矩，建立与环境的力相互作用，在这样的基础上，MELA 可输出更加贴近真实四足动物的运动策略。

图｜机器狗的摔倒爬起连贯反应（来源：爱丁堡 Advanced Intelligent Robotics Lab）

下一步，仍需更多跨界合作

（编辑：PHP编程网 - 金华站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!