时速22公里、载荷50kg，这只四足轮腿式机器人学会了变身

机器之心报导

修改：陈萍

既能四轮奔驰，又能两轮站立，这个机器人有点凶猛。

你见过敢与特斯拉「飙车」的四轮机器人吗？就像下面这样，看起来速度还挺快：

下楼梯也「一往无前」：

除了四轮奔驰之外，它还可以两轮站立，变身人形机器人，平衡才能棒极了：

这款机器人由苏黎世联邦理工学院的衍生公司 Swiss-Mile 开发，它的姓名也随了公司名，被命名为：Swiss-Mile 机器人。

其实，这款机器人是在 ANYmal 机器人的根底上开发而来，ANYmal 是由苏黎世联邦理工学院开发的四足机器人，其时的 ANYmal 就像四足动物相同只能四条腿走路。后来，研讨者在ANYmal腿上增加了轮子，使其既能行走又能滑动，现在，ANYmal可以双腿站立了。

依据 Swiss-Mile 官网介绍：Swiss-Mile 机器人速度高达 6.2 m/s（约 22.32 公里 / 小时或 13.87 英里 / 小时），可以战胜具有应战性的妨碍并完结在室内和室外空间的导航，可带着东西、资料、货品和传感器，最大有效载荷为 50 公斤！

Swiss-Mile 机器人由 Marko Bjelonic 领导开发，他这样总结 Swiss-Mile：轿车、四足、人形，最高时速 22 公里，可以战胜妨碍，两条腿站立！

Marko Bjelonic 因开发轮腿机器人 ANYmal 而广受重视，这一项目是 Bjelonic 在苏黎世联邦理工学院机器人体系实验室攻读博士学位期间做的项目。Bjelonic 在读博期间遭到苏黎世联邦理工学院的 Marco Hutter、苏黎世联邦理工学院的 Stelian Coros 和 MIT 的 Sangbae Kim 辅导。作为一名博士后，Bjelonic 将持续他的愿望，即经过 Swiss-Mile 公司将轮腿式机器人带入实际国际的运用中。

从官方视频来看，Swiss-Mile 机器人用到了轨道优化技能：将高档使命转化为动态可行的运动，这些运动存储在机器人的运动库中，来自该库的单个运动进行组兼并反应至 MPC：

其实，关于有腿的机器人来说，轮式与腿式比较具有许多明显优势。关于轮式机器人来说，确定机器人的轮子，机器人可以行走，像爬楼梯、下坡这种高难度的动作也能很好的习惯；而解锁轮子，机器人可以更快、更有效地移动，比行走要快的多。因而，咱们从 Swiss-Mile 官网可以看到，Swiss-Mile（轮腿式机器人）的功率比腿式体系高 83%！

未来，该公司期望将轮腿机器人商业化，以完结各种使命，包含地图、查看、救灾和城市环境中的物流等。此外，与轮式送货渠道和轻型送货无人机比较，Swiss-Mile 机器人现已可以有效地战胜平整地势，跳过台阶和楼梯等妨碍物，并在室内和室外空间承载重型有效载荷。

ANYmal 机器人

关于 Swiss-Mile 机器人，咱们在官网上没有查到更多的详细信息，但它是在 ANYmal 机器人的根底上演化而来。或许经过 ANYmal 机器人的一些技能信息，咱们可以估测 Swiss-Mile。

ANYmal 机器人由 ANYbotics 公司打造。ANYbotics 成立于 2016 年，是瑞士苏黎世联邦理工学院的衍生公司，致力于开发工业运用的移动机器人技能。此前还登上了《Science Robotics》封面。

此前，ANYmal 是这样的，没有轮子，更不能双腿站立，但能 hold 住各种地势，步行过河不在话下。

ANYbotics 的研讨者提出了一种稳健的操控器，用于在充溢应战的地势上进行盲四足运动。该操控器仅运用联合编码器和惯性丈量单元的本体感触（proprioceptive）衡量，这是腿式机器人上最经用最牢靠的传感器。操控器的操作如下图所示：

该操控器被用于 ANYmal 四足机器人的两代版别中。四足机器人在泥土、沙子、瓦砾、茂盛的植被、雪地、水中和其他越野地势中安全地小跑。

此外，这项研讨中说到的办法并没有用到摄像头、激光雷达或触摸式传感器信息，只依靠本体感触传感器信号（proprioceptive sensor signal）来进步操控战略在不同地势中的习惯性和稳健性。

在模型上，新办法没有运用在机器人当时状况的快照上运转的多层感知器（MLP），而是运用了序列模型，特别是感触状况的时刻卷积网络（TCN）。

之后，研讨者为 ANYmal 添加了四个轮子，他们提出了一种全体模型猜测操控器，一起优化车轮和躯干运动。该操控被运用到 ANYmal 轮腿机器人上。

添加了四个轮子的 ANYmal

研讨者提出了一个在线轨道优化（TO）结构，经过将问题分解为独自的轮子和根本轨道优化来打造一个能以模型猜测操控（MPC 模）办法奔驰的轮式 - 腿式机器人。关于动态共同的运动，该轮式 TO 需求考虑轮子的翻滚束缚，而根底 TO 则考虑机器人在运动期间的平衡，此处用到的是零力矩点思维（zero-moment point，ZMP）。一个分级的 WBC 经过核算一切关节的扭矩指令来盯梢这些运动。该混合运动结构经过以下办法扩展了轮 - 腿机器人的才能。

该结构适用于各式各样的步态，如静态安稳步态、动态安稳步态以及 full-flight phase 步态等、

研讨者以毫秒为单位切换机器人的两种运动办法。因为这种切换频率非常快，机器人可以稳健地对立无法预知的搅扰，使其在实际国际的布置成为可能。

图 2：运动规划和操控结构演示。运动方案根据 ZMP 办法，该办法考虑了优化的轮子轨道和机器人的状况。分级 WBC 优化了全体加快和触摸力，追寻操作空间推理。最终扭矩数据被传送到机器人处。因为选用分层结构，轮子 TO、根底 TO 和 WBC 可以完结并行。

图 3：车轮根本轨道的草图。

英文原文：https://spectrum.ieee.org/delivery-robot-anymal

文中动图截取自：https://www.youtube.com/watch?v=RJyhZUqj3hM

根据Python，运用 NVIDIA TAO Toolkit 和 Deepstream 快速建立车辆信息识别体系

NVIDIA TAO Toolkit是一个AI东西包，它供给了AI/DL结构的现成接口，可以更快地构建模型，而不需求编码。

DeepStream是一个用于构建人工智能运用的流媒体剖析东西包。它选用流式数据作为输入，并运用人工智能和核算机视觉了解环境，将像素转换为数据。

DeepStream SDK可用于构建视觉运用解决方案，用于智能城市中的交通和行人了解、医院中的健康和安全监控、零售中的自助查验和剖析、制造厂中的组件缺点检测等

12月14日19:30-21:00，本次共享摘要如下：

介绍 TAO Toolkit 的最新特性；

介绍 NVIDIA Deepstream 的最新特性；

运用 TAO Toolkit 丰厚的预练习模型库，快速练习模型；

直接运用 TAO Toolkit 的预练习模型和 Deepstream 布置运用；