面向噪声环境中多腿柔软机器人的鲁棒控制

现代两腿和四腿机器人在复杂地形上展现出惊人的机动性，这很大程度上归功于学习算法的进步。然而，这些系统往往依赖高带宽的感知和 onboard 计算来感知/响应地形不确定性。此外，当前的 locomotion 策略通常需要大量的机器人特定训练，限制了其在不同平台上的通用性。基于我们先前将机器人-环境相互作用与通信理论联系起来的研究，我们发展了一种新范式，用于构建能够在杂乱、非结构化环境中有效运行的鲁棒且控制简单的多腿柔软机器人 (MER)。在此框架下，将每一次腿-地接触视为一种基本主动接触 (bac)，类似于信号传输中的比特。在 bacs 充足的冗余情况下，即可在开环方式下实现对“噪声” landscapes 的可靠 locomotion。在此类情况下，通过被动机械响应实现鲁棒性。我们将此类过程称为机械智能 (MI)，并将其类比于信号传输中的前向纠错 (FEC)。为增强 MI，我们开发了反馈控制方案，称为计算智能 (CI)，此类过程类比于信号传输中的自动重复请求 (ARQ)。将 locomotion 与通信理论之间的类比关系整合后，可对 MER 中的嵌入式智能控制方案（整合 MI 和 CI）进行分析、设计和预测，显示出在地形“噪声”高度超过机器人自身两倍的复杂 landscapes 上，实现约半身长的周期性能力。我们的工作为 MER 控制的系统性开发奠定了基础，为开发能够在极端环境中运行的 terrain-agnostic、敏捷且有韧性的机器人系统指明了方向。