韓國研究團隊開發四足機器人自動切換動作技能的人工智能框架

來自韓國的研究人員開發了一個人工智能框架，使四足機器人能夠在複雜地形上自主切換不同的運動技能。該系統允許機器人根據即時環境調整其步態，以在森林中導航、攀爬樓梯及跳過障礙物，並僅依賴機載傳感器與計算能力。這種方法結合了預訓練的行走技能與自適應決策，以提高在變化環境中的靈活性。研究人員指出，該框架可能支持未來的自主搜索與救援及探索任務。「單一的機載策略能夠穩健地穿越各種障礙，包括樓梯、障礙、踏腳石、縫隙及倒下的樹枝，展示了我們方法的多功能性與有效性，」研究團隊在研究論文中表示。

智能四足移動

新型AI框架的特點

來自韓國科學技術院（KAIST）、韓國大學、國防科學研究所及 DIDEN Robotics 的研究人員開發了基於行動預訓練變換器的強化學習（APT-RL）新型人工智能框架，使四足機器人能夠在導航複雜地形時自動切換不同的運動技能。與傳統依賴單一步態或為不同任務設置單獨控制器的腿部機器人不同，APT-RL 允許機器人根據前方地形無縫地在小跑、跳躍、攀爬及跳躍之間過渡。

該系統結合了預訓練的運動技能與強化學習，使機器人能夠僅依靠其機載傳感器即時選擇最合適的運動策略。

該框架以三個階段訓練機器人。首先，機器人從超過 180,000 條優化運動軌跡中學習基本的行走技能，這些軌跡代表了 15.5 小時的模擬運動，僅需八分鐘便透過軌跡優化生成。這些運動模式形成了更高級行為的可重用構件。接下來，強化學習教導機器人何時及如何在不同障礙中切換這些技能，同時保持平衡。最後，該系統根據深度相機及 2D LiDAR 傳感器的機載感知進行調整，無需外部運動捕捉系統。

機器人性能測試結果

研究人員表示，該框架能夠在不可預測的環境中實現更快、更具適應性的行走，並可能支持未來的搜索與救援、探索及其他自主機器人任務。

機器人征服地形

該框架在 KAIST 的四足機器人 HOUND 上進行了室內及室外環境的測試。機器人成功導航了大學校園、森林小徑、草地、岩石地形、樓梯、踏腳石、原木、縫隙及倒下的樹枝。它根據地形及其指令的速度自動選擇不同的步態。例如，當它在不平的地面上或攀爬樓梯時，會使用穩定的小跑步態，然後在跳過原木或下降大步時切換到更快的跳躍步態。該機器人也展示了令人印象深刻的速度。在障礙物穿越過程中，它達到了每秒 4.25 米的瞬時速度。

在跳下三步樓梯時，它短暫達到每秒 6 米的速度，然後安全著陸。

根據研究人員的説法，這些速度是感知驅動的四足機器人在複雜的現實環境中報告的最快速度之一。研究人員還將其方法與現有的強化學習及分層控制方法進行比較。APT-RL 始終實現了更好的成功率、更平滑的步態過渡、更高的能效及更快的學習。機器人能夠在未見過的地形上進行適應，而無需重新訓練，顯示出預訓練的運動技能可以在新情況中重用。研究還發現，結合深度相機及 LiDAR 能夠產生最佳性能。

深度相機提供了有關附近障礙物的詳細信息，而 LiDAR 則允許機器人檢測數米外的地形，從而為其提供足夠的時間在高速下計劃運動。

未來發展方向

研究人員相信，該框架最終可以支持自主機器人在森林、災區、建築工地或其他挑戰性環境中運作，而這些地區對輪式機器來説則困難重重。未來的工作將擴展系統以包括額外的步態，例如奔跑和爬行，支持更靈活的轉向和側向移動，並將相同的學習框架適應於人形機器人及其他腿部機器。

四足機器人技術的突破與應用前景

這項研究展示了四足機器人在複雜環境中自動切換運動技能的潛力，顯示出人工智能在機器人技術中的重要性。隨著技術的進步，這種靈活性將使機器人在搜索與救援、探索等任務中發揮更大作用，尤其是在傳統輪式機器難以應對的地形中。未來的擴展計劃將進一步提升其應用範圍，促進人形機器人及其他類型機器的發展。