人形机器人Hi-WBC：强交互大负载，应对复杂地形作业难题

核心思路转变

Hi-WBC这个技术, 它把动作参考的东西, 从那种需要严丝合缝去重复的所谓的“最终答案”, 变成了那种指导全身怎么运动的“运动先验”。现在的机器人, 可再也不用一张图接着一张图地去硬抄轨迹了, 而是要先去明白这整个运动的意图是啥, 然后自己来安排各个关节之间是怎么配合的, 怎么让它协调起来动的。

三大核心能力

这个模型是围绕三个方面的能力来展开的, 这三个方面分别是技能的持续进化与拓展、强大的并且能够处理大负载的交互能力, 以及在复杂地形中实现自主适应的能力。

邢台市重点项目建设促进中心

通过这种方式, 就能够让机器人在遇到负载突然发生变化的情况时, 能够在受到外力冲击时, 以及在地形进行切换的时候, 都能够马上调整自己即将要去执行的策略。

MoE框架引入

在技能扩展方向的设定上, 我们采用的是一个基于混合专家模型以及策略蒸馏技术的框架结构。这一过程的操作步骤分为两个主要阶段, 第一阶段会首先训练那些专门负责特定任务处理的专家级策略。

第二阶段则是将上述这些专项专家所具备的能力, 通过逐步蒸馏的方式整合并融入到通用的策略体系中去。通过这种机制，能够实现技能拓展方面的高效性, 并且保证了系统具有非常良好的可扩展能力。

避免能力回退

在蒸馏这个过程里, 大家是刻意地把那些已经被训练好的技能权重给保留下来。这么做就是为了避免在进行多任务学习的时候, 产生那种叫做负迁移的不良影响, 进而确保那个机器人能够在去学一个新技能的同时, 依然能够不忘掉它已经具备的旧有的能力。

通过这样的一种做法嘛, 就可以为那个技能库能够持续不断地进行积累提供比较稳定的基础条件。

本体感知估计受力

在物理交互这一层, 模型是把对外部接触力量的预测动作, 还有对动力学情况的适应能力这块内容, 给直接塞进到了全身那个控制的那个回路里面去, 然后它是靠着去利用比如说关节电流这种东西, 还有关节本身运动状态那种本体感知信号, 去做到能够实时地去把外部受到的那股受力给估计出来。

短时域力矩优化

在得到了受力的大致估计之后, 控制器会在时间跨度很短的时段里, 去对各关节上的力矩分配进行优化操作, 这样一来, 即便机器人面临着搬运沉重物品的情况, 或者在突然遭到外部推力的作用时, 它依然能够保持住动态平衡的状态, 从而避免了发生失稳以及跌倒的危险结果。

识别可行支撑区域

在适应地形方面, 模型把对地形的感知情况放入到控制回路里面去了, 机器人要在走动之前先进行扫描, 并且识别出哪些地方是可以作为支撑的区域, 然后再根据地面的起伏情况来实时调整落脚的位置以及触地的角度。

摆腿与支撑转换调整

它进行动态修正动作, 这个动作包含对摆腿轨迹的修正和对支撑相转换节奏的修正, 这样做的结果是使双足机器人在碎石、台阶、坡道等非结构化地面上能够保持步态稳定, 同时能够显著降低关于滑移和绊倒的风险。

运动会唯一金牌双足

在应用验证的环节, 也就是机器人运动会里, 天工机器人的表现是非常突出的。它用的是Hi-WBC这个技术。在比赛里面有一个项目叫综合五项。

在这个项目中, 天工机器人把金牌和银牌全都拿了。不仅如此, 在那个叫做场景赛的比赛中, 它是唯一的那个得到了金牌的双足人形机器人。它也把这个赛事里的相关纪录给刷新了。

多机一镜到底整理

另一段演示视频, 则用一镜到底的方式, 展示了好多台机器人一起动手, 把会议室整理得干干净净, 这其中就包括了他们去拿取遥控器这个动作, 还涵盖了抓起桌面上那些杂物的行为, 以及拉回椅子、搬运白板、提出垃圾袋, 还有蹲下身子去捡拾地面上纸团这样的操作。

平台基础模块定位

北京人形公司这边把话说明白了, 这个叫Hi-WBC的东西, 它是那个“慧思开物”平台里面的一个关键的基础部件, 以后它会照着那条叫做自进化运控智能体的路一直不停地去变好, 一层一层地改, 一直到它可以去做的那些任务多起来, 可以去的地方、去处理的场景也慢慢变多了才是为止。

高危特种场景展望

在那些未知的高危环境里, 在特种作业的领域之中, 这个模型给机器人怎么样去自己应对不确定性提供了一种植根于全新的方案, 它有望把因为让人来介入而带来的风险大幅度地降低下来, 它还拓展了人形机器人所能被应用到实际生活中的边界范围。

你觉得双足人形机器人最先落地的高危场景会是哪一类? 欢迎到评论区聊聊你的判断, 如果觉得内容有信息量, 请点赞并转发。