一个暴跳机器人就红遍天？

揭秘波士顿全家族如何征服全世界  

来源：机器人大讲堂(ID:RoboSpeak)

作者： 堂博士

昨天，机器人圈又被波士顿动力刷屏了，这个被谷歌放在展板上待价而沽的网红公司，简直就是旋转，跳跃，一刻都不停歇。回想当初，波士顿动力是怎样一步步把大家都圈粉的呢？

波士顿动力自1992年从麻省理工分离出来之后，先后经历了与美国军方合作、被谷歌收购和如今另觅良主的时期。波士顿动力自成立以来便在仿人机器人领域占有领先地位，并不断从野生动物中寻找灵感。在过去的几年时间里，它的每一款机器人都代表了当时机器人工业的最高水准。下面让我们来细数一下波士顿动力那些惊艳四座的机器人吧。

波士顿动力最早曝光的是08年的军用伴随保障机器人—BigDog。第一代的大狗四脚着地都有一人高，由燃油发动机驱动，四肢平衡力很强，踹不倒，但是跑起来特吵。

大狗机器人

后来2010年波士顿动力获得了美国国防部高级研究计划署(DARPA)的3200万美元合同，专门为美国军方运输物资研发机器人。再后来又开发了几代四脚机器人，如猎豹（Cheetah）、野猫（WilDCat）。

猎豹（Cheetah）

野猫没有缆线牵制了，还能能够跑出时速 16mph，形式分别有向前跃动和飞驰两种，虽然不够猎豹快，但不要忘记野猫是在有独立能源供应下运作的，也就是说它不是电动的。它身上的液压系统是由一个两冲程循环的卡丁车引擎推动，并配备一个小油缸以限制其重量，油量大概足够让它跑动五分钟。

野猫（WilDCat）

在四脚机器人中，Spot系列是波士顿动力的最新力作，这款“柔软”的四足机器人腿部非常灵活。它体重达到了160磅，可以在室内和户外等地形自由运动。与其他波士顿动力的机器人类似，Spot也是平衡大师。Spot在静音方面也做足了功夫，不会再像LS3一样吵得要死了。由于腿部非常灵活，Spot系列机器人甚至可以从桌子下方钻过。此外，通过随身携带的传感器，Spot的自动化也相当高。

Spot系列机器人

Petman

在双足机器人方面，波士顿动力出品最早的是一个名叫Petman的机器人。它的出现是为了测试化学防护服在运动时防护能力是否会降低，因此，这家伙非常擅长模仿人类走路、下蹲等动作。与其他波士顿动力的机器人类似，这家伙也有独立行动能力，无需他人协助就能保持自身平衡。更为奇怪的是，Petman不但能像人一样行动，它还会出汗。在测试时，其身穿的防护服内会自动模拟人类出汗时的温度和湿度。

Atlas

再后来就出现了一直霸屏的行走机器人Atlas。这款人形机器人可以走路、攀爬并扛起重物。Atlas站起来后身高可达1.75米，体重达到81千克。它可以穿越各种地形，手部还能完成开门和抓取物体的动作。如果受到冲击，这个两腿行走的机器人也能很快稳住脚步，即使跌倒它也能自行爬起。如果路途中有大树等物体，Atlas还能攀援而上。此外，Atlas还有一双灵巧的手，它不但能干重活，还能使用基本的工具。通过身上搭载的激光雷达和立体声传感器，这家伙还拥有了避障和识别物体的能力。Atlas最近一次霸屏是在其科研团队的不断努力之下，五大三粗的Atlas还拥有了一项“细嗅蔷薇”的技能：金鸡独立。这也让世人不断感叹：波士顿动力出品，必是精品。

 Atlas—Handle

再之后，就是昨天霸屏的被装上轮子的Atlas—Handle。Handle的蹿红程度超越了很多人的想象，Handle像是被赋予了洪荒之力，不仅身手矫健，擅长搬运重物，在负重时机器人照样可以轻盈地跳过障碍物。此外Handle既能快速地转圈，还能背对着快速下楼梯，轻松地滑下雪坡等。最最重要的是Handle的平衡能力简直超出所有人的想象。

SandFlea

除去那些网红机器人，波士顿动力也生产了一些小巧精悍的军用机器人。SandFlea沙蚤机器人搭载了一个摄像头是用于军事侦查的小型机器人。四个轮子的SandFlea体重仅有5千克，它不仅形式速度快，抗跌落能力极强，特别适合高低不平的户外环境。SandFlea最惊艳的还是它的弹跳能力，可以一跃跳起9.1米，其自带电池充满一次可完成25次跳跃动作。

RHex

RHex是波士顿动力所有越野机器人中的佼佼者，六条可旋转的机械腿几乎可以适应所有地形。拥有防水能力的它还能在潮湿地区执行任务。此外，专门的抗击打设计让它即使摔落山崖也安然无恙。

比外，波士顿动力还有非常可爱的小狗机器人，可以爬墙的壁虎机器人。可以说波士顿在足式机器人的运动与平衡问题上一直都是先锋人物，这也难怪它旗下产品各个都是霸屏一时的网红机器人。

波士顿动力每出一款机器人你就说它要统治人类？

还早着呢！

来源：雷锋网（ID：leiphone-sz）、Nao(ID：qRobotics)

作者：qqfly，上海交通大学机器人所博士生

相信前两天大家的朋友圈都被 Boston Dynamics 的 Handle 机器人刷屏了：

估计这一幕会让不少读者回忆起被『终结者』所支配的恐惧：

↑ 图片出自科幻电影《终结者》

然而，作为一个正奋斗在机器人研究第一线的博士生，我可以负责任地告诉你：完全不用担心！

与一般的技术不同，机器人涵盖的技术领域更广，波士顿动力只是在控制方面做出了逆天成绩。现在的机器人领域还有很多技术问题没有解决，所以我们暂时不可能造出科幻电影中的那种通用机器人。

下面，我就从机器人研究的几个方面来说明为什么我们不需要担心机器人取代人类的事情发生。

（以下非本人熟悉领域的内容均为道听途说，如有误，欢迎在评论区指出）

一、硬件、机构

感谢机械前辈们几百年的积累，目前在硬件设计方面，实际机器人已经很不错了。下面是几个比较著名的真实机器人：

 ↑ （左）波士顿动力的Atlas，（中）日本产综研的HPR-4C，（右）日本东京大学的Kenshiro

不论是外貌、自由度配置、驱动方式，实际的机器人均有了很不错的成绩。

但是，在能源方面，我们离实用化还有一段很大距离。现在的移动机器人基本上都需要携带一个巨大的电池，续航能力也不行。以这次的Handle为例，它的电池约为3.7KW/h，充满电能行驶约24km，所以这方面只能寄希望于新一代电池技术的发明了。

↑ 这次 Boston Dynamics 的 Handle 就背着巨大的电池

二、感知

这个包括两个部分：

• 传感器

• 信号处理

传感器：机器人需要能够感知周围环境和自身状态，因此需要安装不同的传感器。为了对比，我们看看人体的几个主要传感器：听觉传感器（耳朵）；视觉传感器（眼睛）；力矩传感器；皮肤触觉传感器（可以感受到别人触碰到自己）等。

首先是听觉传感器，这个似乎没有什么特殊的，现在的机器人都可以配备，普通麦克风即可。

其次，是视觉传感器，现在机器人的视觉传感器应该比人眼更高级：高精度相机、红外相机、深度相机、激光雷达等等。没办法，算法不够，传感器来凑嘛。

之后，是力矩传感器，主要用于检测关节力矩。有了精确的关节力矩才有可能部署一些控制算法、估计环境状态。当然，现在这样的传感器也已经有了，但就是贵。

最后，也是唯一与人类有较大差距的地方，是皮肤触觉传感器：这个基本上还有很多路要走，不信的话看看下图吧。这是去年RA-Letter上发表的一篇论文的工作： A Conformable Force/Tactile Skin for Physical Human-Robot Interaction。

信号处理算法：当然，这里的信号处理是广义的信号处理，包括普通的滤波、傅里叶变换等，也包括物体识别、语音识别等人工智能算法。这个话题就太大了，而且实际机器人在这方面的研究距离实用的也还比较远，我简单列几个：

物体识别/语音识别：当然，随着近几年深度学习的发展，我们在物体识别和语音处理方面的造诣已经非常厉害了，但是在实际机器人上部署的算法也还比较简单（实际机器人不仅要识别物体、还要定位物体）。

↑ 这是 Boston Dynamics 之前发布的 atlas，依旧是采用二维码进行识别

语义理解：前面的语音识别是指根据声音识别出文字，这里则是理解识别的文字内容。我们现在研究的最高水平，可以参考微软小冰聊天机器人，基本还是比较笨的。PS：不要跟我说什么机器人『娇娇』，那是后面有个人在遥控。

环境理解/地图创建：这个简单地说，就是机器人对环境建模的能力，包括地图创建等。现在的机器人在这一块还是比较弱的，即使配备了激光传感器等额外的设备（人仅靠两只眼睛），也只能在一些特定条件下完成地图创建，而基于地图的环境理解也只能算刚起步不久，如下面这个语义地图。

↑ 真正的通用机器人不仅需要能『看到』环境，还应该能『理解』环境

当然，我觉得之后随着深度学习技术在地图创建等领域的应用，（考虑到深度学习对环境理解的能力），这个领域估计有可能在十年内出现可实用的技术。

三、规划

规划是指根据任务和机器人当前状态，计算出完成这个任务的方法。包括且不限于：

• 任务规划（将大任务划分为几个小的子任务）

• 运动规划（机械臂或者足式机器人各关节运动轨迹）

• 路径规划（其实跟运动规划类似，不过倾向于为移动机器人规划形式路径）

Boston Dynamics 的研究重点一直都是放在控制上，在规划等领域并无成果（至少从他们放出的视频中看不出有这方面研究）。

任务规划：举个例子，我们想让机器人送瓶雪碧，那么机器人会将这个大任务分解成几个子任务（运动到冰箱前-->打开冰箱-->找到雪碧-->拿出雪碧-->关上冰箱-->送到人面前），当然，可以有更复杂的任务。目前，一般是采用MDP或POMDP模型来描述问题，然后用各种规划算法求解。总体上说，现在的任务规划强烈依赖于任务描述方式（人工指定），而且在应对大规模、不完全可观等复杂问题时，还没有可靠的方法。

运动规划：举个例子，机器人面前有一杯水，让机器人将手运动到杯子面前，同时不能碰到桌子等障碍物。这就是运动规划，根据目标状态点，生成一系列关节运动状态。是的，现在就连让机器人拿起面前的杯子这样的问题也还没有完全解决。简而言之，我们一般是采用基于随机采样的算法进行运动规划的。随机采样的意思就是：每次规划的结果可能不同，更无法保证规划出的路径是最优的。因为自己就做这一块，所以深知其中的坑。就我个人感觉，要解决运动规划问题，需要一个方法论上的创新，抛弃现在这套方法（因为人肯定不是这样规划的啊）。

路径规划：其实跟运动规划是一个问题，但由于路径规划一般是在地面上，问题维度低，可以采用一些奇奇怪怪的规划方法（Dijkstra，A*等）。由于问题毕竟简单，这块的发展也比较好，例如各种扫地机器人就已经可以在室内环境中到处跑了。

↑ 小米的扫地机器人已能利用二维地图进行路径规划

当然，这一块需要解决的问题可能是：①动态环境；②拥挤环境；③复杂地形；④地图不全的环境等。但是估计未来15年左右可以彻底解决，所以到那时候，无人驾驶车应该已经可以到处跑了。

四、控制：

控制就是具体执行规划结果的过程了，从底层的电机控制到上层的机器人全身控制都属于这个范畴。

机械臂控制：下图是大约十年前 Sami Haddadin 做的机械臂碰撞检测的demo，基本上已经非常厉害了。而且，由于机械臂控制属于机器人自身动力学问题，所以目前看来，这一领域可以说已经是完全攻克了。

机械手操作：机械手的抓取操作问题就没这么简单了，因为其中涉及实际物理环境的建模问题（摩擦力、形状等），由于模型不精确，所以完全基于模型的方法很难解决这一问题。目前实际应用基本还是采用平行夹持器的方式。只有不少研究机构在进行灵巧手抓取方面的研究。

足式机器人控制：这是更难的地方了，因为机械臂和机械手都至少有个相对固定的基座。足式机器人的base是会随着接触而发生变化的。所以，我一直觉得能做足式机器人控制的人都是很厉害的人。

↑ Boston Dynamics 的各种足式机器人

再加上这次的 Handle 机器人，可以说，Boston Dynamics 以一己之力，将人类的足式机器人控制水平拉高了一个层次。

四、学习

这个属于另外一大块内容，由于可以应用到其他领域（控制、规划、感知等），所以有时候不能单独列为一类。

机器学习分为监督学习、无监督学习和强化学习三类。目前，深度学习主要在监督学习方面得到了很好的应用；此外，对于强化学习，也逐渐以Deep Q Learning等形式出现；但无监督学习才是机器学习中的最高挑战。

我们人类能够举一反三（超强的监督学习能力）；能够熟能生巧（超强的强化学习能力）；能够发明新事物（超强的无监督学习能力）。

当然，机器学习的坑还有很多。因为，正是不断学习让我们能够面对不断变化的环境。这方面可挖的东西太多了。

五、交互：

这个就是机器人与人交互的问题。包括识别人、与人交流、与人协作。在这个角度看，我们现在的机器人还很不尽如人意：

识别人：虽然人体识别在机器视觉中已经有了很多成果，但是在人机交互过程中，机器人不仅要识别到人的存在，还应该要能判断人的动作、意图，并作出相应反馈。

与人交流：这方面，我们现在的聊天机器人虽然也已经做得不错了，但离通过『图灵测试』还很远，随便一个普通人都能轻易判断出对面是一个机器人。

与人协作：这个就不说了，我们真实的机器人还只能这样：

六、容错性：

这个就是说机器人的软硬件发生故障后，依旧可以自适应地完成部分工作。

人类就不说了，有太多『身残志坚』的例子了：

↑四川90后“无臂男孩”用脚趾夹笔答题 勇战高考追逐大学梦

我们的机器人最强只能这样：

这是2014年发表在Nature的成果，只是简单的机构损坏、核心部件完好的情况下可以继续完成简单任务。

总结

综上，要想做出能够取代人类的通用机器人，我们还有非常非常非常远的路要走。

当然，要想在十年内做出这样的机器人也不是不可能，例如忽然来了一群奇怪的人说：『我看你骨骼惊奇，你跟我学做机器人吧！』

↑ 图片出自科幻电影《降临》