波士顿动力 Atlas 展示了接近于人类的跑酷能力，能够快速越过具有一定倾斜度的障碍物、执行快速转身、跳跃等动作。这背后进行了哪些技术改进和创新呢？波士顿动力高级机器人工程师、Atlas 感知软件开发负责人 Pat Marion 为大家详尽地解读了 Atlas 跑酷背后的技术。

跑酷认知能力。Atlas 使用 TOF 深度相机以每秒 15 帧的速度生成环境的点云，感知软件使用一种名为多平面分割的算法从点云中提取平面。多平面分割算法的输入馈入到一个映射系统中，该系统为 Atlas 通过相机看到的各种不同对象构建模型。为了执行扩展的跑酷行为，波士顿动力的研发团队为机器人提供了一张高级地图，其中包括研发人员希望它去的地方以及沿途它应该做的动作。该地图与真实路线的几何形状不完全匹配，而是一个包含障碍模板和注释动作的近似描述。

波士顿动力机器人跑酷视觉「看到」和规划的信息

行为库。Atlas 在跑酷中所做的每个动作都源自使用轨迹优化提前创建的模板。通过创建这些模板库允许研究者向库中添加新的轨迹，从而可以不断为机器人添加新的功能。给定感知计划目标，机器人从库中选择与给定目标尽可能匹配的行为。

模型预测控制。Atlas 模型预测控制器（model-predictive controller, MPC），该控制器使用机器人动力学模型来预测机器人未来的动作。控制器的工作原理是通过优化来计算机器人当前要做的最优事情，从而随着时间的推移产生最佳动作。

内容中包含的图片若涉及版权问题，请及时与我们联系删除