波士顿动力机器狗学会跳绳！三条狗玩得真欢乐

运动技能：即一种反馈策略，可以产生协调的动作来完成特定类型的任务，这是构建更复杂动作的基础；专家：具有专业运动技能的DNN；运动模式：四肢协调运动的一种模式，如站立、原地转动、向前 / 向后小跑、左右转向、跌倒恢复等。

图｜不同的技能种类（来源：Science Robotics）

研究人员为机器人训练了8项运动技能，包括：（1）从背部翻身；（2）侧滚；（3）身体姿势控制；（4）站立平衡；（5）左转；（6）右转；（7）小步小跑；（8）大步小跑。

不同的技能需要不同的触发方式，而把 “八技” 融会贯通是 MELA 合成可变技能和产生适应性行为的基础。

面对不同情况下，GNN 生成可变权重（α）来融合所有八个专家网络的参数，这样新合成的运动技能可以通过混合各个专家的有效技能，快速生成不同的运动技能，来适应各种未知场景。

图｜多专家学习框架 MELA 的原理（来源：Science Robotics）

实验结果表明，依靠 MELA 输出的融合技能加持，“绝影” 机器人的关键恢复能力控制在1秒内（恢复身体姿态平均0.5s，恢复小跑模式平均0.4s），也显示出了在非结构化环境下更强的可靠性和通障性能。

还有一个值得关注诀窍是，研究人员从生物运动控制中汲取了灵感，这让运动控制和学习框架更加贴近真实的四足动物。

例如，动物的运动行为都是受中枢神经系统控制的，中枢神经系统会重新设置身体关节的参考位置，根据参考位置与实际位置之间的差异，激发肌肉活动以产生适当的力进行姿态调整。

由于阻抗控制提供的弹簧阻尼特性类似于生物肌肉的弹性，因此研究团队应用了平衡点（EP）控制假设，通过调控平衡点来生成关节扭矩。

受肌肉系统的生物力学控制和 EP 假设的启发，研究人员其实将机器人控制分为了两层：在底层，团队使用扭矩控制为机器人配置关节阻抗模式；在顶层，指定深度神经网络（DNN）为所有关节产生设定平衡点，以调节姿势和关节扭矩，建立与环境的力相互作用，在这样的基础上，MELA 可输出更加贴近真实四足动物的运动策略。

图｜机器狗的摔倒爬起连贯反应（来源：爱丁堡 Advanced Intelligent Robotics Lab）

下一步，仍需更多跨界合作

“这样的多专家系统、多技能融合框架，让机器人可以自主切换运动策略、自己去适应环境，在足式机器人上算是第一次应用，这也是为什么这项成果能被 Science Robotics 评为封面，至少它实现了一种质的突破，较此前研究形成了一个代差。” 李智彬表示。

据了解，这种多专家融合技能的思路，也能够延伸到其他机器人平台上。包括各类四足、双足机器人，以及轮式的、履带式的机器人，乃至在机器人进行抓取操作上也可以应用。机器抓取不同的东西的策略是不一样的，本质也就是不同专家的技能延展，无论是抓纸张、书本、杯子，还是光溜溜的肥皂、球体、软硬不同的物体等，其实都需要不同的专家技能策略。

关于进一步改进和提升的空间，他表示，仍需要和圈内更多优秀团队一起合作探索，才能不断突破，未来的研究可以集成视觉、触觉传感等，以开发多感知型运动技能。

例如，对于机器人本身而言，现在普遍还缺少一种 “电子皮肤”。

目前机器人机载的传感器对各种情况判断，很大程度上都要通过大量的训练经验积攒起来，由于机载传感器有限，很多经验只是统计学上来讲是对的，但它针对某个特殊情况却不一定是最好的，只能说有较高的成功率。

但在自然界的生物中，小到毛毛虫、蠕虫，大到各类动物、人类全都是有皮肤的，如果机器人在废墟现场要钻进去一个洞，进去之后身边的环境是怎样的，怎么通过，障碍物与机身表面是怎么接触的，如此复杂的环境下现有的传统传感器就不够用了，需要 “电子皮肤” 更加精细化地感知区分。

另一方面，机器人对外部的感知理解能力仍然有待提高。

比如一个雾蒙蒙的环境，是因为有雾，还是因为燃烧引起的烟，单纯用计算机视觉来看，不一定能区分清楚；再比如机器人从室内走到室外，外面是一个零下的无雪环境，在机器视觉看来地面可能与平常无异，雷达也探测不到障碍物，但这种情况下人类走路、开车会下意识地注意路面可能会打滑，机器人却还不能意识到这点调整策略，这些 “非接触式” 的外部传感包括辐射、温度、气体检测等也都非常关键。

“目前这项研究背后只有两个专家团队，但机器人研究不能闭门造车。就像机器人现在都具备了多专家能力一样，我们非常欢迎和更多跨学科、跨领域的团队一起合作，碰撞出更多创新想法和可能性。” 李智彬最后说道。

【腾讯机器狗Jamoca：梅花桩，小case！】

腾讯公布了自己在移动机器人研究方面的新进展，共展示两项产品。其中，最为令人印象深刻的是机器狗Jamoca，它可是走梅花桩的一把好手。

据了解，Jamoca重约70公斤，长1米、宽0.5米、站高0.75米，是国内首个能完成走梅花桩复杂挑战的四足机器人，由腾讯Robotics X实验室打造，借用了云深处的硬件来承载系统技术。

腾讯设计的梅花桩由高60厘米、呈20°斜面角度的台阶和邻桩最大高度差16厘米、间距不等的梅花桩两部分组成，桩面直径约20cm。

腾讯Robotics X实验室研究员介绍，相较于国际上其他四足机器人走木块的场景，此次Jamoca所挑战的梅花桩落脚面积更小、高度更高，且有台阶的组合，因此难度更大。

此次走梅花桩主要考究机器人的两点能力，分别是理解梅花桩的排布（包括位置和高度）、选择最佳落脚点及路线并稳定精准地行走（落脚到梅花桩中心点）。

依据结果来看，Jamoca已经达到了一个极高的技术标准：误差1厘米内的感知定位、根据环境进行的10毫秒级路线规划、基于动力学的1KHz实时力矩控制、梅花桩中心点1厘米内的落脚误差，以及全系统的高度协同。

一直以来，机器人的平衡能力都是业界的一个研究高地，尤其是多足机器人方面。当前在这一研究上，包括腾讯在内的多个国内外科技企业都有所部署。至于落地商用，“平台”成为多数多足机器人开发商的选择。

据悉，Jamoca眼下还是主要用于实验室内部科研实验，腾讯Robotics X实验室未来将利用它进一步探究在线环境感知、最优运动规划和实时运动控制等能力，从而在未来帮助腾讯其他机器人产品更好地适应复杂的现实环境。