Speed and Morphology Conditioned Fourier Gait Synthesis for Bipedal Locomotion Learning

走路是一种我们在无意识中完成的节奏，然而其背后的物理机制却是关于时机、平衡与力量的复杂谜题。为了让机器人像人一样行走，它必须掌握这种同样的节奏。挑战在于，人类的行走并非像时钟滴答那样简单的重复循环；它是一种流动的运动，会根据人的移动速度而拉伸或收缩。缓慢的拖步可能需要三秒钟才能完成，而轻快的步伐在不到一秒内便能结束。这种变异性使得教导机器人变得困难，因为大多数计算机模型都期望输入固定大小的数据。如果你试图将慢走和快走输入同一个系统，时序就会被打乱，导致机器人踉跄跌倒。研究人员长期以来一直在寻找一种描述这种行走节奏的方法，使其无论速度如何变化都能保持一致，从而让机器能够学习步态的本质，并将其应用于任何步速。

比尔肯特大学（Bilkent University）的一个研究小组开发了一种新方法来解决这个问题，他们通过声音波的形式而非图像序列的角度来观察运动，从而创造出一个能为机器人生成类人行走模式的系统。他们并没有通过录制一段人类步行的视频并尝试对其进行拉伸或挤压以适应机器人的需求，而是将运动分解为其基本频率，就像音乐家分析音符以理解其音高和音色一样。通过将人类腿部的关节运动转换为一组代表这些频率的固定大小的数字，他们创造了一种通用的行走语言。这种语言在步行者移动缓慢或快速时都同样适用，因为步行的持续时间是与运动的形状分离处理的。

研究人员首先收集了五十个不同人在各种速度下行走的数据。他们记录了每个人行走时髋部、膝盖和脚踝的角度，捕捉了超过一千次试验。为了使这些数据对机器人有用，他们首先过滤掉了那些对于步态并非必不可少的微小、高频的抖动，只保留了平滑的主要运动。然后，他们对每个行走周期进行了重采样，使得无论在现实时间内持续多久，每一步都由恰好三十二个点表示。这个被称为“相位归一化”（phase normalization）的过程确保了慢步和快步被视为同一种形状，只是以不同的速度播放。接着，他们将这些点转化为一组系数，这些系数本质上是波的构建模块。其结果是一个紧凑的代码，描述了步态的形状，而不受特定时间持续时间的限制。

接下来，他们训练了一个小型计算机网络，根据两个简单的输入来预测这些系数：机器人应该走多快以及它的腿有多长。这个网络充当一个生成器，接收期望的速度和机器人的物理尺寸，并输出重建自然行走模式所需的精确数值集。由于输出是由这些频率成分构建的，因此生成的运动在数学上保证是一个完美的、重复的循环。不存在机器人步调随着时间推移而逐渐失调的风险，这是其他方法中常见的现象，即微小的误差会随着每一步而累积。研究人员将这个生成器与几种其他方法进行了对比测试，包括简单回放人类行走的录制视频、使用数学曲线填补记录速度之间的空白，以及使用基于耦合振子（coupled oscillators）的模型。他们的基于频率的方法证明是最准确的，产生的行走模式比任何替代方案都更接近真实的真人数据。

有了可靠的方式来生成参考行走模式后，团队开始教导机器人如何遵循这些模式。他们构建了一个具有七个关节的双足机器人模拟系统，并使用一种称为强化学习（reinforcement learning）的技术来训练它。在这个过程中，机器人因向前移动、保持直立以及匹配由新网络生成的参考信号而获得奖励。机器人不仅仅是被告知如何行走，它还被展示了在特定速度和腿长下人类步态的具体样子，并且它必须摸索出模仿该步态所需的类肌肉力量。训练是在平地和缓坡上进行的，但研究人员测试了机器人在从未见过的更陡峭的山坡和崎岖不平的地形上的能力。

结果显示，机器人学会了具有卓越鲁棒性的行走方式。当被要求在从缓慢拖步到快速慢跑的速度范围内行走时，机器人能以极高的精度追踪目标速度。更令人印象深刻的是，当被放置在倾斜十五度的坡道上时——这比它接受训练时的坡度陡了三倍——机器人在大多数试验中仍能保持平衡并继续行走。相比之下，那些未使用这种基于频率的参考信号的其他控制方法，在爬坡时失败了，或者难以维持稳定的步速。机器人在带有随机凸起和噪声的表面上也表现良好，能够顺利通过。成功的关键在于结合了基于频率的生成器（它提供了一个完美的、类人的模板）和学习算法（它允许机器人通过调整平衡来适应地面，同时遵循该模板）。

这项研究强调，将行走视为频率的光谱而非姿态的序列，为机器人技术带来了强大的优势。通过将运动的形状与执行该运动所需的时间解耦，该系统可以生成适用于任何速度和任何腿长的自然步态，而无需重新学习基础知识。虽然目前的工作是在计算机模拟中进行的，且专注于在平面上直线行走的机器人，但研究结果指明了一条清晰的前进路径。该方法成功地弥合了人类运动数据与机器人控制之间的鸿沟，为教导机器以人类般的流畅性和适应性行走提供了稳定的基础。研究人员指出，未来的工作将涉及在更复杂的、三维的人形机器人上测试这些想法，并最终应用在真实的硬件上，届时传感器噪声和电机延迟等物理因素将带来新的挑战。目前，这项研究证明了受声音分析启发的数学方法可以让机器人离像我们一样行走更近一步。