OptiTrack动作捕捉技术融入Salto机器人,精准定位空间
(原标题:OptiTrack动作捕捉技术融入Salto机器人,精准定位空间)
在2020年5月31日至8月31日举办的ICRA(International Conference on Robotics and Automation) 会议上,加州大学伯克利分校的研究人员们公开介绍了最新款机器人Salto-1P。
机器人Salto-1P的初始版诞生于2016年12月,研究灵感来源于非洲一种小型夜行灵长目动物——塞内加尔婴猴(学名Galago senegalensis,英文亦称Senegal bushbaby),婴猴拥有强壮的后肢与长尾巴,它们能够快速跳跃前行。生物学家发现进化过程中遗留下来的这些以弹跳为主要移动方式的生物之所以能跳得如此之高,是由于它们在弹跳之前通常都会呈蹲伏姿势。
Credit: picsels.com
Credit: Wikipedia
与婴猴一样,Salto也拥有娇小灵活的身躯,并同样在弹跳前呈蹲伏状。Salto重100克,蹲伏时仅15厘米高,而其伸展后单单腿长就达15厘米,完全伸展后全身长30厘米。弹簧状灵活的腿部保证了它在跳跃过程中能够弹跳得更高、更快。
Salto全称SAltatorial Locomotion on Terrain Obstacles。Saltatorial在拉丁语中是跳跃的意思,也是生物学家在提到跳跃物种时常常使用的词语。Salto-1P机器人的特别之处是,其最初版的垂直跳跃高度在全静止起跳状态下就可达1米,按比例计算,其跳跃速度和高度已远高于人类及世界上现存的其他所有机器人。
2016年12月最初版的Salto受到跑酷动作启发,可以进行连续两次弹跳,通过第一次起跳后,Salto可以通过脚蹬墙壁指定位置进行第二次起跳,这就使Salto的总弹跳高度大大增加。
Credit: YouTube @UC Berkeley
2018年,研发团队为Salto增加了大量新技能,可连续跳跃10分钟以上,并在该过程中连续跳跃100次以上,最高弹跳高度提升至1.2米左右,速度可达13km/h。不同于传统机器人,2018版的Salto甚至可以跟随目标,在复杂路况中判断障碍物所在的位置,并灵活地躲避障碍持续行进。
来自加州大学伯克利分校Salto研发团队的主负责人Justin Yim说道:“小型机器人在很多方面都很有用,比如在大型机器人或人类无法适应的地方到处跑。例如,在一场灾难中人们被困废墟下时,机器人在找人方面会很有用,而且对救援人员来说不会有危险,甚至可能在没有帮助的情况下,比救援人员更快地找到搜救目标。我们希望Salto不仅要小,而且要能跳得又高又快,这样它才能在这些困难的地方无阻前行。”
研发过程中,为了顺利驱动Salto的弹跳动作,光学运动捕捉技术对于实验起到了至关重要的作用。研发团队购置了十多台OpitTrack Prime 13红外光学摄像头并安装在房间的顶部,用于实时追踪并获取Salto在房间中的空间位置等信息。这些数据可以帮助科研人员获取Salto的横向或纵向移动速度、弹跳角度等重要参数。Yim说道:“我的电脑作为地面信息接收基站,听从动作捕捉系统的指挥。当获取了机器人所在位置后,电脑可以计算出我们希望机器人所做的动作数据,并发送无线电讯号给Salto,让它知道我们希望它的弹跳角度,以及如何伸展它的腿(以达到最好的弹跳效果)。”
Credit: YouTube @UC Berkeley
比起2018版的Salto,2020版的Salto同样使用了动作捕捉技术进行研发,并可以准确地落在更小的目标物体上。如下图所示,作为地面信息接收基站的电脑给Salto发送纵向弹跳速度信息以下达弹跳指令,让Salto可以分别跳到0厘米刻度点、10厘米刻度点和40厘米刻度点。在实际实验过程中,Salto从-23.4厘米刻度点起跳,分别跳到了0.8厘米、11厘米和38厘米刻度点,实际误差分别是0.8厘米、1厘米和-2厘米,相较之前的版本误差大幅降低。通过高精度的位置追踪技术和弹簧改进,比起2018版,2020版Salto可以通过其自身惯性测量装置(Inertial Measurement Unit)进行平衡保持和前进角度自测,且其跳跃距离标准差也相应从9.2厘米降到了1.6厘米。
Credit: Precision Robotic Leaping and Landing Using Stance-phase Balance
研发团队在2020年发表的有关Salto-1P的最新论文中指出,最新版Salto已经可以通过其机载处理与传感器进行自主起跳和落地,但缺少了动作捕捉系统的定位帮助,就会在一定程度上影响其自主起跳和落地信息的准确性。
Salto-1P弹跳系统未来在机器学习方面仍有很大提升空间,OptiTrack动作捕捉系统为Salto的机器训练提供了精准的空间信息,并且将继续辅助其完成各种复杂的室内实验。