时速22公里、载荷50kg，这只四足轮腿式机器人学会了变身

机器之心报道

编辑：陈萍

既能四轮奔跑，又能两轮站立，这个机器人有点厉害。

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」：

除了四轮奔跑之外，它还可以两轮站立，变身人形机器人，平衡能力棒极了：

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

其实，这款机器人是在 ANYmal 机器人的基础上开发而来，ANYmal 是由苏黎世联邦理工学院开发的四足机器人，当时的 ANYmal 就像四足动物一样只能四条腿走路。后来，研究者在ANYmal腿上增加了轮子，使其既能行走又能滑动，现在，ANYmal能够双腿站立了。

根据 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），能够克服具有挑战性的障碍并实现在室内和室外空间的导航，可携带工具、材料、货物和传感器，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：汽车、四足、人形，最高时速 22 公里，能够克服障碍，两条腿站立！

Marko Bjelonic 因开发轮腿机器人 ANYmal 而广受关注，这一项目是 Bjelonic 在苏黎世联邦理工学院机器人系统实验室攻读博士学位期间做的项目。Bjelonic 在读博期间受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 指导。作为一名博士后，Bjelonic 将继续他的梦想，即通过 Swiss-Mile 公司将轮腿式机器人带入现实世界的应用中。

从官方视频来看，Swiss-Mile 机器人用到了轨迹优化技术：将高级任务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合并反馈至 MPC：

其实，对于有腿的机器人来说，轮式与腿式相比具有许多显着优势。对于轮式机器人来说，锁定机器人的轮子，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适应；而解锁轮子，机器人能够更快、更有效地移动，比行走要快的多。因此，我们从 Swiss-Mile 官网可以看到，Swiss-Mile（轮腿式机器人）的效率比腿式系统高 83%！

未来，该公司希望将轮腿机器人商业化，以完成各种任务，包括地图、检查、救灾和城市环境中的物流等。此外，与轮式送货平台和轻型送货无人机相比，Swiss-Mile 机器人已经可以有效地克服平坦地形，越过台阶和楼梯等障碍物，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，我们在官网上没有查到更多的详细信息，但它是在 ANYmal 机器人的基础上演化而来。或许通过 ANYmal 机器人的一些技术信息，我们可以推测 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，致力于开发工业应用的移动机器人技术。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 住各种地形，徒步过河不在话下。

ANYbotics 的研究者提出了一种稳健的控制器，用于在充满挑战的地形上进行盲四足运动。该控制器仅使用联合编码器和惯性测量单元的本体感受（proprioceptive）度量，这是腿式机器人上最耐用最可靠的传感器。控制器的操作如下图所示：

该控制器被用于 ANYmal 四足机器人的两代版本中。四足机器人在泥土、沙子、瓦砾、茂密的植被、雪地、水中和其他越野地形中安全地小跑。

此外，这项研究中提到的方法并没有用到摄像头、激光雷达或接触式传感器信息，只依赖本体感受传感器信号（proprioceptive sensor signal）来提高控制策略在不同地形中的适应性和稳健性。

在模型上，新方法没有使用在机器人当前状态的快照上运行的多层感知器（MLP），而是使用了序列模型，特别是感受状态的时间卷积网络（TCN）。

之后，研究者为 ANYmal 添加了四个轮子，他们提出了一种整体模型预测控制器，同时优化车轮和躯干运动。该控制被应用到 ANYmal 轮腿机器人上。

添加了四个轮子的 ANYmal

研究者提出了一个在线轨迹优化（TO）框架，通过将问题分解为单独的轮子和基本轨迹优化来打造一个能以模型预测控制（MPC 模）方式奔跑的轮式 - 腿式机器人。对于动态一致的运动，该轮式 TO 需要考虑轮子的滚动约束，而基础 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想（zero-moment point，ZMP）。一个分级的 WBC 通过计算所有关节的扭矩命令来跟踪这些运动。该混合运动框架通过以下方式扩展了轮 - 腿机器人的能力。

该框架适用于各种各样的步态，如静态稳定步态、动态稳定步态以及 full-flight phase 步态等、

研究者以毫秒为单位切换机器人的两种运动方式。由于这种切换频率非常快，机器人可以稳健地对抗无法预知的干扰，使其在现实世界的部署成为可能。

图 2：运动规划和控制结构演示。运动计划基于 ZMP 方法，该方法考虑了优化的轮子轨迹和机器人的状态。分级 WBC 优化了整体加速和接触力，追踪操作空间推理。最后扭矩数据被传送到机器人处。由于采用分层结构，轮子 TO、基础 TO 和 WBC 可以实现并行。

图 3：车轮基本轨迹的草图。

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

基于Python，利用 NVIDIA TAO Toolkit 和 Deepstream 快速搭建车辆信息识别系统

NVIDIA TAO Toolkit是一个AI工具包，它提供了AI/DL框架的现成接口，能够更快地构建模型，而不需要编码。

DeepStream是一个用于构建人工智能应用的流媒体分析工具包。它采用流式数据作为输入，并使用人工智能和计算机视觉理解环境，将像素转换为数据。

DeepStream SDK可用于构建视觉应用解决方案，用于智能城市中的交通和行人理解、医院中的健康和安全监控、零售中的自助检验和分析、制造厂中的组件缺陷检测等

12月14日19:30-21:00，本次分享摘要如下：

介绍 TAO Toolkit 的最新特性；

介绍 NVIDIA Deepstream 的最新特性；

利用 TAO Toolkit 丰富的预训练模型库，快速训练模型；

直接利用 TAO Toolkit 的预训练模型和 Deepstream 部署应用；