我，机器人Max二代，来自鹅厂Robotics X
少林从师数十冬，梅花桩上练真功。
持之以恒锐意修，定可成名盖群雄。
// 6D最优轨迹生成技术让Max“随机应变”
看准地形后，下一步Max要根据所见信息完成动作轨迹规划，能更好地自动调整俯仰、侧身与转向，从而适应高低起伏的地形。
6D最优轨迹生成技术可根据Max的运动步态、速度等指令，预估机器人的落脚点。根据落脚点周边的高度图，选择最优落脚点。结合最优落脚点，考虑机器人运动过程中的动力学约束、摩擦约束、足端工作空间约束等构建二次优化问题，实时求解最优6D轨迹。由于考虑了各种约束，求得的轨迹能够适应环境的变化，实现速度、姿态的调整。
在完成跳跃、空翻等高动态动作时，Max要规划出一套最省力的运动轨迹，即如何让所需的驱动力最小化。非线性优化的轨迹规划技术使Max可以根据跳跃距离、跳跃步态、最大关节力矩等约束条件，高效获得最优的跳跃轨迹。该规划方法轻松兼容四脚跳（Pronking）和双脚跳（Bounding）等多样化步态。
// 高精度模型预测控制技术，让Max“身轻如燕”
动作轨迹规划好后，Max开始正式行动，也是对它动作控制能力的大考验。
高动态动作本身已是机器人控制精度的一大挑战。尤其在做单桩跳跃这个动作时，四足落脚点距离很近，支撑区域很小，收拢的腿部姿势也导致Max的运动及发力空间受限，因此整体上要实现流畅而稳定的运动追踪及平衡控制对力控的精确性要求极高。
为更好完成跳跃、空翻等高动态动作所带来的对机器人控制精度的挑战，团队结合离线最优跳跃轨迹规划及实时平衡运动轨迹规划，自研了模型预测控制算法（Chi et al., A Linearization of Centroidal Dynamics for the Model-Predictive Control of Quadruped Robots, ICRA 2022）。
该自研的线性模型预测控制算法在平移运动的追踪上获得了与业界经典算法同等的控制效果，而在旋转运动的追踪上则表现更优。
同时，Robotics X团队还为Max加入了基于关节力矩反馈的触地检测能力，使得Max在完成跳跃、前空翻等这类带腾空相的高动态动作时可以准确地判断足端触地状态，实现整体的柔顺平稳落地。
此外，Max的机身本体在2021年版本基础上，也完成了结构和电气系统的大量优化，使MAX在高动态运动下保持整体稳定性。
// 强大自主学习能力，让Max更“自然灵动”
腾讯Robotics X实验室也正利用深度强化学习等AI技术，推进机器人智能研究，让机器人在虚拟环境中自主学习，更好地适应复杂环境的变化。
不同于预先设计好规则之后做重复任务的工业机器人，Robotics X实验室更关注在有很大不确定性的动态环境里，实现机器人的自主判断、自主决策，并自主完成任务。
据实验室研究人员介绍，基于深度强化学习与sim2real等技术，Max用几个小时就能初步学会自然灵动的步态。