Astro机器人流畅运动背后的规划技术解析

Astro机器人流畅响应运动背后的科学

预测规划、不确定性建模、独特约束的轨迹优化和多尺度规划帮助用户信任Astro。

计算、延迟与运动流畅性

对于运动规划而言，有限计算能力的基本后果之一是感知到驱动的延迟较大：处理传感器数据和规划机器人运动可能需要大量时间，这对运动流畅性有重要影响。

举例来说，假设处理原始传感器数据、检测和跟踪障碍物以及规划机器人运动需要500毫秒。这意味着以每秒一米速度移动的机器人在传感器数据对其运动产生任何影响之前已经移动了50厘米！这不仅对安全性有巨大影响，对运动流畅性也是如此，因为延迟的修正通常需要更大，导致颠簸的运动。

Astro试图通过预测性规划来明确补偿这一点。

预测性规划

Astro不仅尝试预测外部物体（例如人）的运动，还估计在当前规划周期结束时它将在哪里以及世界将是什么样子，充分考虑感知、建图和规划流程中的延迟。Astro的计划基于快速前进状态：它们不仅基于最新的传感器数据，还基于Astro认为在计划实际生效的近未来世界会是什么样子。

如果预测相当准确，这种预测性规划可以关键地减少不可避免延迟的影响，而Astro观察到的运动流畅性在很大程度上取决于预测性规划框架。然而，该框架需要仔细处理不确定性，因为任何预测都不可能是完美的。

处理不确定性

对于运动规划，不确定性可以直接转化为碰撞风险。许多现有的学术方法要么将风险视为一种特殊类型的约束——例如，如果风险低于某个预设阈值（所谓的机会约束），则允许所有运动——要么依赖于启发式的风险-回报权衡（通常通过成本的恒定加权和）。这些方法在风险较低的情况下往往效果良好，但不能很好地推广到更具挑战性的现实世界场景。

方法依赖于一个独特的公式，其中机器人向目标移动的动机通过感知到的不确定性水平动态权衡。目标函数的构建使得Astro评估每个候选运动的不确定性调整进展，这允许它在风险低时专注于达到目标，但在风险高时专注于规避。

值得注意的是，在公式中，高风险和低风险模式之间没有离散过渡，因为过渡是通过统一的连续成本公式处理的。这种没有突然过渡的存在对于运动流畅性很重要。

当看到Astro在靠近障碍物和/或避让迎面而来的行人时自动平滑调节其速度时，概率成本公式正在发挥作用。

轨迹优化

为了规划轨迹（位置、速度和加速度的时间序列），Astro考虑多个候选轨迹并在每个规划周期中选择最佳的一个。公式允许Astro每秒规划10次，每次评估几百个轨迹候选。每次，Astro找到在考虑安全性、运动流畅性和向目标进展方面将导致最佳行为的轨迹。

理论上，规划者总是有无限多的轨迹可供选择，因此详尽搜索最佳轨迹将永远持续。

但并非所有轨迹候选都有用或可取。实际上，观察到大多数轨迹是颠簸的，其中一些甚至在物理设备上无法实现。将候选限制为平滑且可实现的轨迹可以 drastically 减少搜索空间的大小，而不降低机器人移动的能力。

为了高效搜索，Astro的轨迹优化依赖于一个紧凑的平滑且可实现的轨迹空间。与其他将选择数量减少到离散集合（例如状态格子）的方法不同，公式是连续的；因此，通过它实现的细粒度控制，提高了流畅性以及安全性。特殊的轨迹参数化还保证了空间中的所有轨迹在物理上都是可实现的。

搜索空间仍然保留了足够的轨迹多样性，包括急停和急转弯；当动态障碍物突然进入Astro的视野，当有小的或难以看到的障碍物检测过晚，或者简单地当Astro被要求尽快切换到新任务时，这些可能变得必要。

还在实现中给予了必要的细节关注，例如多阶段优化和热启动以避免局部最小值并实现更快收敛。所有这些都有助于运动的流畅性。

全身轨迹规划

Astro的规划系统控制的不仅仅是机器人身体上的两个轮子。它还移动Astro的屏幕，该屏幕不仅用于可视化内容，还用于传达运动意图（看向要去的地方）和主动感知（使用显示屏上的摄像头看向Astro正在跟随的人）。通过身体语言和主动感知的意图交流有助于实现更稳健的人机交互。

不会在这里深入细节，但想提及预测性规划框架在这里也有帮助。知道机器人应该用其身体做什么，并且也知道目标物体在不久的将来的预测位置，通常可以使屏幕运动的规划变得简单。

规划系统：时间和空间分解

到目前为止，已经讨论了Astro如何规划其局部轨迹。在本节中，概述Astro的规划系统（轨迹规划器是其中一层）并描述整个系统如何协同工作。在设计中将运动规划问题分解为三个具有不同空间和时间覆盖范围的规划层。整个系统构建为协同工作以产生期望的平滑和优雅运动。

全局路径规划

全局路径规划器负责找到从当前机器人位置到用户指定目标的路径，考虑历史观察到的可导航性信息（例如门打开/关闭）。这是系统中唯一可以访问整个全局地图的层，并且由于处理的数据量，预计会有较大的延迟。

由于该延迟，全局规划器按需运行。一旦它在当前全局地图中找到路径，就依赖下游层使Astro沿着路径平滑移动，并更快地响应环境中更高频率的变化。

局部轨迹规划

局部轨迹规划器负责找到安全平滑的轨迹，该轨迹将沿着全局路径规划器提供的路径良好进展。与必须处理整个地图的全局规划不同，它考虑固定且有限的数据量（一个六乘六米的局部地图）。这允许保证它将保持10赫兹的恒定重新规划率，具有三秒的规划视野。

这是一个可以真正解决运动流畅性的层，因为它详细考虑机器人和世界中各种语义实体的确切形状和动力学。

如上所述，Astro的计划轨迹与给定的全局路径并不完全一致。这是因为有意将全局路径视为指导：局部轨迹规划器在确定如何沿着路径进展方面具有很大的灵活性，考虑机器人和世界的动力学。这种灵活性不仅使局部轨迹规划器的工作更容易，而且减轻了全局规划器的负担，全局规划器可以专注于找到具有宽松保证的近似指导，而不是明确且平滑的路径。

反应式控制

最后，有一个反应式控制层。它处理小得多的地图（一个两乘两米的局部地图），该地图以低得多的延迟更新。在这一层，对计划的轨迹进行最终检查，以防备局部轨迹规划器在不产生延迟的情况下无法应对的意外情况。

该层负责处理状态估计级别的噪声和小干扰，并且还负责响应更直接的传感器读数快速减速或有时停止机器人。这种低延迟减速不仅减少了Astro对意外障碍物的反应时间，而且为局部建图器和轨迹规划器提供了额外的时间来建图障碍物并规划替代轨迹。

前进之路

相信Astro在定义一个轻量级到足以适应消费机器人预算但强大到足以处理各种动态、不断变化的家庭环境的规划系统方面取得了相当大的进展。运动规划算法提供的智能、优雅和响应迅速的运动对于客户信任像Astro这样的家庭机器人至关重要。

但肯定还没有完成。正在积极改进数学公式和工程实现，以及开发在最近学术研究中显示出巨大前景的基于学习的方法。随着Astro在更多家庭环境中导航，期望了解更多需要解决的实际问题，以使规划系统更加稳健，并最终对客户更有用。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码