科學(xué)家開(kāi)發(fā)可提高3D感知能力的模型，實(shí)現(xiàn)四足機(jī)器人自由行走

借助機(jī)器人的本體感覺(jué)對(duì)足式運(yùn)動(dòng)進(jìn)行研究已有數(shù)十年。在以往的研究手段中，研究人員往往采用基于模型的方法開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)控制器。但是，這類方法無(wú)法在那些現(xiàn)實(shí)世界里沒(méi)有見(jiàn)過(guò)的環(huán)境中得到應(yīng)用。

近年來(lái)，為了獲得更好的泛化性和魯棒性，研究者們開(kāi)始采用無(wú)模型強(qiáng)化學(xué)習(xí)，在模擬中訓(xùn)練控制器，然后將學(xué)習(xí)到的策略直接轉(zhuǎn)移到真實(shí)的機(jī)器人上。

那么，如何在無(wú)需遙控器操控的條件下，讓四足機(jī)器人實(shí)現(xiàn)在復(fù)雜地形上自由流暢地行走呢？

近期，來(lái)自美國(guó)加州大學(xué)圣地亞哥分校和麻省理工學(xué)院的研究團(tuán)隊(duì)，開(kāi)發(fā)了一個(gè)可以提高機(jī)器人 3D 感知能力的模型，能夠支配四足機(jī)器人在各種困難地形場(chǎng)景下完成自動(dòng)化行走，比如爬樓梯、踩石頭、在樹(shù)林中走路等。

如視頻所示，該四足機(jī)器人的額頭上裝有前置的深度攝像頭，該攝像頭向下傾斜的角度，可以幫助該機(jī)器人前面的兩足，根據(jù)所看到的前方場(chǎng)景和腳下地形做出正確的行動(dòng)決策。但其后面的兩足必須先記住前面看過(guò)的內(nèi)容，才能確保在經(jīng)過(guò)時(shí)踩在正確的位置上。

所以，這中間存在一個(gè)重要的問(wèn)題，即需要一個(gè)短期的 3D 環(huán)境記憶體，能夠使得機(jī)器人的四足都對(duì)三維環(huán)境有良好的感知和模擬。

為此，該團(tuán)隊(duì)構(gòu)建了一種神經(jīng)體積記憶（Neural Volumetric Memory，NVM）架構(gòu)，可以先借助自監(jiān)督方法對(duì)視頻幀中的三維特征進(jìn)行學(xué)習(xí)，再用幾何變換把這些三維特征投影到同一個(gè)空間下面，最后通過(guò)模型將所有的特征信息融合在一起，讓機(jī)器人對(duì)它所處的 3D 環(huán)境建立起短期記憶。

其中，需要說(shuō)明的是，將上述帶有特征的全部視覺(jué)信息綜合在一起，可以幫助四足機(jī)器人記住其看到的內(nèi)容，以及足部之前做過(guò)的動(dòng)作，并利用這些記憶指導(dǎo)它下一步行動(dòng)。這也表明，NVM 能為機(jī)器人執(zhí)行決策提供可靠的 3D 結(jié)構(gòu)信息，并為足式機(jī)器人利用視覺(jué)進(jìn)行觀察開(kāi)辟新的可能性。

2023 年 3 月，相關(guān)論文以《用于視覺(jué)運(yùn)動(dòng)控制的神經(jīng)體積記憶》（Neural Volumetric Memory for Visual Locomotion Control）為題發(fā)表在CVPR上，并被選為Highlight論文［1］。

圖丨相關(guān)論文（來(lái)源：arXiv）

據(jù)介紹，該研究始于 2022 年 1 月。在當(dāng)時(shí)的條件下，該團(tuán)隊(duì)先在模擬器環(huán)境下進(jìn)行訓(xùn)練，再轉(zhuǎn)至機(jī)器人上進(jìn)行部署和測(cè)試。NVM 模塊可以令四足機(jī)器人在模擬環(huán)境和真實(shí)世界中穿越復(fù)雜地形，并獲得更好的模擬-真實(shí)泛化結(jié)果。

但是，由于模擬器和機(jī)器人在物理和視覺(jué)方面都存在一些差距，因此需要克服許多有難度的工程問(wèn)題。此外，從模擬器中制定任務(wù)，以及做強(qiáng)化學(xué)習(xí)訓(xùn)練所需的代碼，也需要該團(tuán)隊(duì)自行開(kāi)發(fā)。

圖丨實(shí)際部署（來(lái)源：arXiv）

據(jù)了解，這項(xiàng)成果建立在該團(tuán)隊(duì)之前的一項(xiàng)研究上，此前，該團(tuán)隊(duì)使用強(qiáng)化學(xué)習(xí)和基于 Transformer 的模型，將本體感受和視覺(jué)信息相結(jié)合，使得四足機(jī)器人能夠避開(kāi)障礙物，在不平整的地面上行走和奔跑 ［2］。

“我們目前這項(xiàng)研究是在不同幀上抽取三維特征，把它們放到同一個(gè)三維空間下進(jìn)行合并，而之前的那項(xiàng)研究?jī)H僅將不同幀直接合并起來(lái)，當(dāng)做一個(gè)視頻放入卷積神經(jīng)網(wǎng)絡(luò)中，沒(méi)有做太多三維理解?！闭劶氨卷?xiàng)成果取得的進(jìn)展，王小龍表示，“并且，之前機(jī)器人能完成的任務(wù)比較簡(jiǎn)單，不能實(shí)現(xiàn)爬樓梯或踩木樁這種比較困難的任務(wù)?！?/p>

不過(guò)，該團(tuán)隊(duì)也表示，他們目前開(kāi)發(fā)的模型還存在一些局限性。首先，不能引導(dǎo)四足機(jī)器人到達(dá)指定的目的地；其次，完成部署后，機(jī)器人只能簡(jiǎn)單地走一條直線，如果看到障礙物，會(huì)通過(guò)另一條直線避開(kāi)；此外，機(jī)器人還不能精確控制其去向。

從應(yīng)用層面上看，相較于安裝輪子才能走路的機(jī)器人，四足機(jī)器人的通用性更強(qiáng)。比如，其可以用于應(yīng)急救援領(lǐng)域，執(zhí)行受困人員搜救、廢墟清理等任務(wù)；用于下水管道探測(cè)等。

后續(xù)，該團(tuán)隊(duì)不僅計(jì)劃開(kāi)發(fā)更多用于規(guī)劃?rùn)C(jī)器人的技術(shù)，還打算在四足機(jī)器人上增加機(jī)械臂，來(lái)執(zhí)行抓取、開(kāi)門等任務(wù)；同時(shí)，他們也想讓機(jī)器人實(shí)現(xiàn)更多創(chuàng)意性的技能，諸如跳躍、踢球等。