Cost of Transport
- 又稱: CoT, COT, specific resistance
- 類別: Actuation & drivetrain › Ratings
- 標籤: legged-locomotion, energy-efficiency, metrics, reinforcement-learning, actuation
一種衡量行走運動效率的無因次指標：讓物體移動給定距離所消耗的能量，除以其重量與該距離的乘積。
定義
運輸成本（Cost of transport，CoT）衡量機器人、動物或車輛移動自身所消耗的能量。它定義為能量除以重量與距離的乘積，即 E / (m g d)，或等價地，功率除以重量與速度的乘積，即 P / (m g v)。除以重量與距離使這個量成為無因次量，因此小型四足機器人、人形機器人、汽車與奔跑的動物都能在同一尺度上比較。這個構想可追溯到 Gabrielli 與 von Kármán 於 1950 年對各種載具的比較，當時同樣的比值被稱為比阻力。
其數值高度取決於計入了哪些能量。總 CoT 或電氣 CoT 使用從電池汲取的全部功率，包括馬達損耗、電子元件與電腦。機械 CoT 只使用在關節輸出的機械功率，通常是各致動器的關節扭矩乘以關節速度的總和。一種常見的慣例只計入正的機械功，因為煞車所吸收的能量通常以熱的形式散失，而不是回充到電池；把帶正負號的功率加總，會讓負功抵銷正功，因而低估真實成本。因此論文需要說明所使用的定義，而不同定義所得的數值不應直接比較。
運輸成本會隨速度、步態與地形而改變。對動物與許多機器人而言，每種步態都有一個讓 CoT 最低的速度範圍，而在更高速度下切換步態可以再次降低它。在以學習為基礎的行走運動中，CoT 既用作評估指標，也用作鼓勵高效、看起來自然之運動的獎勵項或懲罰項；它也常被用來顯示，以運動先驗訓練的策略比以人工調整獎勵訓練的策略消耗更少能量。
為何重要
電池容量限制了移動機器人能運作多久、走多遠，而致動器發熱限制了它們能承受多大的工作強度。運輸成本把效率轉成一個能在不同設計、控制器與速度之間比較的單一數值，有助於在步態、致動器與控制策略之間做出選擇。
主要應用
- 比較足式機器人設計與控制器的能量效率
- 學習式行走運動策略的獎勵項與懲罰項
- 為長程任務選擇步態與速度
- 評估致動器、傳動裝置與再生式驅動器
- 在同一尺度上比較機器人與動物及車輛
實際應用
某團隊比較同一台四足機器人的兩種行走運動策略。在機器人於跑步機上以數個固定速度行走時，他們以控制器頻率記錄關節扭矩與速度，將機械功率計算為正的扭矩-速度乘積總和，再除以機器人的重量與速度，得到每個速度下的機械 CoT。他們也記錄電池電流與電壓來計算總 CoT。其中一種策略的機械 CoT 較低，但消耗的電池功率相近，他們追查發現原因是高頻扭矩振盪讓馬達發熱。他們在獎勵中加入扭矩變化率懲罰項，並重新比較。
常見誤解
- 單一 CoT 數值就能描述一台機器人 — CoT 會隨速度、步態、負載與地形而改變，因此比較時必須說明條件
- 機械運輸成本與總運輸成本可以互換 — 機械 CoT 忽略馬達損耗與電子元件，兩者可能相差很大的倍數
- 把帶正負號的關節功率加總就得到所消耗的能量 — 負功通常無法回收，因此許多定義只計入正功率
- 運輸成本有單位 — 以重量（m g）而非質量計算時，它是無因次的
誰需要了解
- 足式行走運動工程師
- 設計行走運動獎勵的強化學習實務工作者
- 致動器與電源系統設計人員
- 比較機器人與動物行走運動的研究人員
相關技術
- 比阻力（Specific Resistance）
- Adversarial Motion Priors
- 再生式馬達驅動器（Regenerative Motor Drives）
- 準直驅致動器（Quasi-Direct-Drive Actuators）
- 被動動態行走（Passive Dynamic Walking）
相關術語
相關專案
- LeRobot: HuggingFace ML library for real-world robotics in PyTorch
- MuJoCo: DeepMind physics engine for robotics and ML research
- PyBullet: Python physics simulator for robotics and RL research with fast CPU-based simulation
- Microduck: Pollen Robotics' $399 walking duck robot: open-source software, closed hardware
- Isaac Lab: NVIDIA robot learning framework: one task API across Newton, PhysX and Isaac Sim
- RLinf: Scalable infrastructure for post-training foundation models via RL