Collision-Aware Humanoid Whole-Body Control under Imperfect Tracking Targets
本文介绍了 RECAL，一种机器人—环境交叉注意力层，它通过集成外部场景几何信息，增强了现有的全身控制器，从而使人形机器人在不完美的追踪条件下，能够动态平衡目标跟踪与碰撞规避。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人形机器人旨在像人类一样在世界中移动，能够穿梭于杂乱的房间、跨越障碍物并伸手拿取架子上的物品。为了实现这一点，工程师们使用了一个中央控制系统，该系统充当机器人的内部平衡与协调中心。这个系统接收高层指令——例如“向前走”或“去拿那个杯子”——并将这些指令转化为机器人关节的具体肌肉运动。然而，机器人在感知周围环境方面存在着显著的差距。虽然控制系统擅长维持平衡和遵循路径，但它通常对环境的物理几何结构是“盲目”的。它知道自己应该去哪里，但并不本质地知道路径上有什么。如果人类操作员或规划算法给出的指令导致机器人直接撞向墙壁或狭窄的门口，机器人往往会字面上地执行该指令，从而导致碰撞。这种局限性使得这些机器人在难以保证完美指令的混乱现实世界空间中难以部署。
俄勒冈州立大学的研究人员开发了一种新方法来解决这个问题，创建了一个位于机器人的“大脑”与“肌肉”之间的安全层。他们将这个系统称为 RECAL，即“机器人-环境交叉注意力层”（Robot–Environment Cross-Attention Layer）。该团队并没有尝试从头开始重建整个机器人控制器，而是将他们的新系统包裹在一个现有的、经过验证的控制器之上，这个控制器已经非常擅长平衡，但对障碍物是盲目的。这个新层充当了一个实时过滤器。它获取机器人的预期路径以及来自机器人摄像头的原始数据，这些数据将世界呈现为代表墙壁、家具和机器人自身的点云。通过将机器人的位置及其持有的物体与周围的几何结构进行对比，系统可以检测出预定的动作是否会导致碰撞。如果碰撞迫在眉睫，系统会在指令到达肌肉之前对其进行细微调整，使机器人稍微远离危险，同时仍努力实现原定目标。
这项创新的核心是一种注意力机制，它允许机器人专注于在任何特定时刻最重要的环境部分。想象一下，机器人有一组虚拟传感器放置在它的膝盖、肘部以及它携带的任何箱子的角落。这些传感器不断向周围环境提问：“我附近有什么？”然后，系统使用一种数学过程，权衡附近障碍物相对于机器人预期路径的重要性。如果机器人正在穿过一个门口，肩膀上的传感器可能会注意到一个就在触手可及之处的墙壁，并要求控制器将平衡略微向左偏移。如果机器人拿着一个大箱子，系统会扩大其感知范围，将箱子的体积也纳入其中，以确保整个负载都能避开障碍物，而不仅仅是机器人的身体。这一切都在极短的时间内发生，使得机器人能够进行流畅、连续的调整，而不是停下来重新计算。
为了教导这个系统如何做出这种瞬间的决策，研究人员使用了一种称为“教师-学生蒸馏”（teacher-student distillation）的技术。他们首先创建了一个拥有“特权信息”的“教师”版本控制器，该版本可以获取模拟世界中关于每个障碍物的精确位置等信息。这个“教师”能够预见未来，并准确知道如何修改指令以避免碰撞。随后，研究人员训练了一个“学生”版本的系统，该系统仅能访问真实机器人所拥有的有限摄像头和传感器数据，旨在模仿教师的行为。学生系统学会了预测教师会做出哪些安全调整，实际上是在没有教师完美数据的情况下，学会了通过教师的眼睛来看待世界。这使得系统能够在模拟环境中学习复杂的规避策略，然后将这些知识迁移到真实的物理机器人身上。
团队在各种具有挑战性的场景中测试了他们的系统，包括在拥挤的房间中行走、搬运箱子以及在站立时伸手拿取架子上的物品。他们将新系统的表现与原始的“盲目”控制器以及其他利用不同技术理解环境的方法进行了对比。结果显示，新系统在避免碰撞方面成功得多。在一些困难测试中，原始控制器在超过一半的尝试中发生碰撞，而新系统在超过 90% 的案例中成功避免了碰撞。至关重要的是，它在实现这一目标时并未牺牲机器人遵循预期路径的能力。当路径清晰时，机器人完全按照指令移动；当路径受阻时，它会进行恰到好处的偏离以保持安全，并在通过障碍物后返回原定路线。
研究人员还测量了这些碰撞造成的物理影响。当原始控制器发生碰撞时，往往会产生巨大的冲击力，特别是在机器人的躯干和臀部。相比之下，新系统大幅减少了这些冲击。在最困难的测试中，新系统几乎消除了与机器人主体发生重度碰撞的情况，仅留下轻微且无害的擦碰。这表明，该系统不仅是在规避碰撞，而且是以一种自然且受控的方式进行，而非突兀或惊慌失措。团队通过在名为 Digit V3 的真实人形机器人上测试该系统，进一步验证了他们的发现。配备了深度摄像头的机器人成功地在现实世界中导航、搬运物体并在狭窄空间内伸手取物，证明了在模拟中学习到的经验可以应用于物理世界。
尽管该系统代表了向前迈出的重要一步，但研究人员指出，它并非适用于所有情况的完美解决方案。当前版本假设地面是平坦的且障碍物是静止的，这意味着它在面对移动的人员或不平整的地形时可能会遇到困难。此外，它将所有障碍物都视为需要避开的对象，而无法理解某些表面是用于触摸的，或者某些物体是可以被移动的。再者，该系统依赖于摄像头数据的质量；如果机器人因为障碍物在视线之外或处于盲区而看不见它，系统就无法防止碰撞。尽管存在这些局限性，这项工作展示了一种让人形机器人变得更安全、更具适应性的强大新方法。通过为现有的控制器添加一层几何感知能力，研究人员表明，机器人可以在无需从头开始重新设计的情况下，学会如何在人类环境这种杂乱且不可预测的世界中进行导航。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。