苏黎世联邦理工研发轮式“机器狗”,可走可溜,官方吐槽:爬楼梯有点费劲

简介: 苏黎世联邦理工研发轮式“机器狗”,可走可溜,官方吐槽:爬楼梯有点费劲

不知道小伙伴们小时候有没有玩过轮滑,脚底装上轮子,速度是快了,但前提是地是平的。

不过人是两足动物,那么给四条腿的“生物”装上轮子呢?

机器狗我们都很熟悉了,大家熟知的波士顿机器狗都已经商用开售了,但是几乎所有的科研单位和公司研发的机器狗都是“足式”的,“轮式”的机器狗文摘菌还是第一次见。

这款轮式机器狗是苏黎世联邦理工学院的一个小组研制的,名叫ANYmal,它可以独立控制自己的四肢和轮子,并且可以选择什么时候用轮子什么时候不用,兼顾了速度和越障能力。

当然了,出于初步研发阶段的ANYmal也并非全能,研究人员在接受采访时也吐槽:爬楼梯有点费劲。

动态选择步伐,只依靠感知和地面的接触

ANYmal并非提前观察地面的情况来选择是用轮子还是用脚走路,而是根据“感觉”轮子和地面的接触来动态选择最佳的混合步伐。

也就是说,这种选择是“盲目的” ,不依靠任何相机或激光雷达输入,就可以找到无缝地在滚动和走动之间转换,甚至处于两者之间。

ANYmal如何感知地面呢?

具体来说,ANYmal会实时判断轮子在每条腿上的效用有多大ーー如果一个轮子停止工作(空转或者打滑),控制器就会把那条腿转换成踏步运动,同时保持与其他腿的协调。

总的来说,这使得任何ANYmal在不降低其处理具有挑战性地形的情况下移动得更快,并且降低了其运动成本,也就是更省电,因为在平坦的地面上滚动比步行更有效率。

官方吐槽:爬楼梯还是有点费劲

尽管这款轮式机器狗在各种地形上表现已经不错了,但还是遭到了研发人员的吐槽。

苏黎世联邦理工的Marko Bjelonic在接受IEEE Spectrum的采访时说:“我们的方法在崎岖的地形中运行得很好,但是更多的障碍,例如楼梯,是具有挑战性的。”

这个问题还是比较好理解的,ANYmal通过轮子的效率自主决定非周期性步态的序列,无需预定步态时间,简单来说,就是每条腿都可以自己推理,决定自己在适当的时候离开地面。

但是对于爬楼梯来说,ANYmal在判断轮子的效率时就比较费劲,因为楼梯表面是平坦的,适合滚动,但是楼梯整体又是崎岖的,需要将轮子锁死才能不打滑。

在不断的动态调整中,就会出现下面这“颤颤巍巍”的一幕。

未来所有的机器人都应该有轮子!

尽管还存在一些挑战,但Marko Bjelonic还是很自信,他表示,“每个有腿的机器人都应该有轮子!我认为这在未来会更加普遍。”

在介绍ANYmal的论文中,研究人员只是基于本体感知信号,也就是说,没有根据地形感知来进行步态转换,但是目前这个框架在平坦和不平坦的地形上都已经很好地工作了。

但是Marko Bjelonic认为无论是自己研发的ANYmal或者波士顿动力的半人马机器人Handle,都只是一种轮式和足式的妥协产物,并没有将两者的优势都发挥到极致。

在提到下一步的目标时,Marko Bjelonic表示他们目前正在开发让机器狗预先考虑了地形来决定自己未来的步态,这个升级也将能够使机器人能够在地面上做出更复杂的运动,并越过具有挑战性的障碍物。

那什么是具有挑战性的障碍物呢?

Marko Bjelonic的回答貌似有点“耿耿于怀”:

“爬楼梯。”

相关文章
|
10月前
|
机器学习/深度学习 数据采集 DataWorks
数据分析经典案例重现:使用DataWorks Notebook 实现Kaggle竞赛之房价预测,成为数据分析大神!
Python是目前当之无愧的数据分析第一语言,大量的数据科学家使用Python来完成各种各样的数据科学任务。本文以Kaggle竞赛中的房价预测为例,结合DataWorks Notebook,完成数据加载、数据探索、数据可视化、数据清洗、特征分析、特征处理、机器学习、回归预测等步骤,主要Python工具是Pandas和SKLearn。本文中仅仅使用了线性回归这一最基本的机器学习模型,读者可以自行尝试其他更加复杂模型,比如随机森林、支持向量机、XGBoost等。
|
监控 网络协议 Java
Tomcat源码解析】整体架构组成及核心组件
Tomcat,原名Catalina,是一款优雅轻盈的Web服务器,自4.x版本起扩展了JSP、EL等功能,超越了单纯的Servlet容器范畴。Servlet是Sun公司为Java编程Web应用制定的规范,Tomcat作为Servlet容器,负责构建Request与Response对象,并执行业务逻辑。
Tomcat源码解析】整体架构组成及核心组件
|
传感器 算法 机器人
斯坦福李飞飞团队祭出“灵巧手”,泡茶剪纸炫技
【2月更文挑战第26天】斯坦福李飞飞团队祭出“灵巧手”,泡茶剪纸炫技
175 5
斯坦福李飞飞团队祭出“灵巧手”,泡茶剪纸炫技
|
Kubernetes 监控 Docker
Docker Compose与Kubernetes的比较
【6月更文挑战第11天】本文探讨了Docker Compose与Kubernetes在容器编排中的角色。Docker Compose适合简单部署和开发环境,提供一键启动多容器的便利;而Kubernetes则适用于大规模生产环境,具备自动化运维、集群管理和负载均衡等功能。Python在容器编排中扮演重要角色,示例代码展示了如何使用Python的Docker SDK和Kubernetes客户端进行部署、扩展和日志管理。通过Python,开发者可以实现自定义监控、自动水平扩展和实时日志监控等高级功能,增强了容器编排的灵活性和自动化。
Docker Compose与Kubernetes的比较
|
机器学习/深度学习 数据可视化 PyTorch
PyTorch深度学习框架入门与应用
PyTorch 提供了丰富的工具和 GPU 加速功能,便于构建和训练神经网络。基础包括:1) 张量,类似 NumPy,支持 GPU 计算;2) 自动微分,方便计算梯度;3) 内置神经网络模块 `nn`。PyTorch 还支持数据并行、自定义层、模型保存加载、模型可视化和剪枝量化等进阶用法。通过不断学习,你将能掌握更多高级功能。【6月更文挑战第6天】
246 8
|
11月前
|
监控 搜索推荐 安全
探究亚马逊详情API接口:开发与应用
在数字化时代,亚马逊作为全球领先的电商平台,为商家和消费者提供了丰富的商品信息和便捷的购物体验。本文深入探讨了亚马逊详情API接口的获取与运用,帮助开发者和商家实时监控商品数据、分析市场趋势、优化价格策略、分析竞争对手、构建推荐系统及自动化营销工具,从而在竞争中占据优势。文章还提供了Python调用示例和注意事项,确保API使用的安全与高效。
354 3
|
Java 关系型数据库 数据库连接
SpringBoot项目使用yml文件链接数据库异常
【10月更文挑战第3天】Spring Boot项目中数据库连接问题可能源于配置错误或依赖缺失。YAML配置文件的格式不正确,如缩进错误,会导致解析失败;而数据库驱动不匹配、连接字符串或认证信息错误同样引发连接异常。解决方法包括检查并修正YAML格式,确认配置属性无误,以及添加正确的数据库驱动依赖。利用日志记录和异常信息分析可辅助问题排查。
1103 11
|
前端开发 微服务
开发指南056-定时任务
业务场景中定时任务很常见。平台实现定时任务的原则如下
|
XML Java 数据库
在微服务架构中,请求常跨越多个服务,涉及多组件交互,问题定位因此变得复杂
【9月更文挑战第8天】在微服务架构中,请求常跨越多个服务,涉及多组件交互,问题定位因此变得复杂。日志作为系统行为的第一手资料,传统记录方式因缺乏全局视角而难以满足跨服务追踪需求。本文通过一个电商系统的案例,介绍如何在Spring Boot应用中手动实现日志链路追踪,提升调试效率。我们生成并传递唯一追踪ID,确保日志记录包含该ID,即使日志分散也能串联。示例代码展示了使用过滤器设置追踪ID,并在日志记录及配置中自动包含该ID。这种方法不仅简化了问题定位,还具有良好的扩展性,适用于各种基于Spring Boot的微服务架构。
150 3
|
机器学习/深度学习 数据采集 资源调度
【推荐系统】推荐场景为什么不可以使用SVD分解共现矩阵
【推荐系统】推荐场景为什么不可以使用SVD分解共现矩阵
307 0
【推荐系统】推荐场景为什么不可以使用SVD分解共现矩阵