哈工大团队在足式机器人智能领域取得重要研究成果 | NSR封面
近日，哈尔滨工业大学机电学院高海波教授团队在野外足式机器人环境认知学习与自主导航方面取得重要进展，相关研究成果(Learning physical characteristics like animals for legged robots)作为封面论文发表于综合类顶级期刊《国家科学评论》（National Science Review，NSR）。
足式机器人在非结构化环境下具有灵活的运动性能和良好的地形适应能力，然而野外环境复杂多变，泥沙、冰雪、积水等非几何障碍限制了它们的实际应用。面对具有不同物理特性的非几何障碍，通过自主规划提前规避或通过智能控制主动适应是有效的处理方法。因此，如何提前感知地形的物理特征信息，如软硬程度和摩擦系数，变得尤为重要。
动物可以通过对物理特征的理解去适应不断变化的地形环境，为足式机器人的环境认知学习提供了仿生学启示。从如下视频中可以发现，小猫在危险区域行走时会用脚轻轻地试触地形，估计地面的承压和附着能力；在后续行走过程中，小猫根据先前积累的经验对具有相似视觉特征的地形进行预估，并避开非几何危险区域。然而，机器人实现类似的认知行为却面临诸多挑战：如何通过视觉和触觉信息实现对地形物理特征的有效表征？如何通过对图像数据和模型参数的聚类与映射匹配实现环境认知？如何解决由于地面环境动态变化造成的认知冲突？
针对上述问题，研究团队提出了一种足式机器人的环境物理特征类动物学习方法。研究人员以法向/切向足地作用力学模型为基础，设计了基于模型-数据的无监督学习框架。该研究首次提出了具有认知冲突解决能力的增量式在线学习方法，使得机器人能够通过视-触觉融合感知自主识别环境物理特征信息。具体而言，在地面表征方面，简化并统一了不同足与地面的接触力学模型，提供了表征地面触觉特征的物理参数；机器人快速采集周围图像，采用SLIC简单线性迭代聚类方法建立数据集，并通过对比学习无监督地建立视觉特征提取器。在环境认知方面，采用E-SOINN增强自组织增量神经网络对视觉和触觉特征进行无监督聚类，将数据特征总结为知识形式，并构建认知映射层，将不同模态知识进行匹配映射。为了解决认知冲突，采用单个尖峰神经网络连接不同模态知识，更改LIF带泄漏整合发放模型对连接强度进行调节，机器人可以通过离散接触经验调整视觉和触觉的映射强度，实现动态更新和知识遗忘。
足式机器人环境物理特征学习框架
研究团队开展了丰富的室内外感知和导航试验，证明该方法可以有效助力机器人实现地面物理特征感知与预测，并在动态环境中学习和调整其认知模型，最终安全执行复杂的导航避障任务。相关成果可用于足式等复杂环境移动机器人的自主星球探测、野外救援等任务，并提供了一种物理智能系统的典型案例。
六足机器人室内实验
六足机器人野外实验
该项研究获得了国家重点研发计划(2019YFB1309500)、国家自然科学基金(91948202，51822502)等资助。哈工大为第一署名单位，丁亮教授为论文通讯作者，博士研究生徐鹏、丁亮教授为论文共同第一作者。哈工大邓宗全院士，高海波教授，机电学院杨怀广副教授，英国利兹大学黄艳龙教授，机电学院硕士研究生李政洋、王志恺（已毕业），博士研究生周如意、苏杨等参与相关研究。
了解详情请读原文▼
[点击下方链接或阅读原文]