Open Source Robotics

精选高质量开源机器人项目、工具和软件,推动机器人社区发展。

Self-righting

  • 又称: self-recovery
  • 类别: Control › Locomotion control
  • 标签: legged-locomotion, fall-recovery, field-robotics, bio-inspired, robustness

机器人在翻倒或倒置着地后,利用其机体外形、肢体、尾巴或其他附属结构恢复到正常直立姿态的能力。

定义

自复位(self-righting)是指机器人在翻倒、背部或侧面着地之后,无需人工帮助就能恢复到直立、可工作的姿态的能力。对于在容易跌倒且无人能够接近的地方工作的机器人,这一能力最为重要:在杂乱地面上行走的小型腿式机器人、在废墟中行驶的履带式地面车辆、行星探测车以及其他野外机器人。不能自行复位的机器人会让一次翻倒变成一次失败的任务。

从物理上讲,复位意味着让机体越过一个能量势垒,从一个静止状态转移到另一个静止状态。仰面朝天的机器人处于重力势能的一个局部极小值;要翻过来,它必须把质心抬高到其绕之转动的边缘之上,此后由重力完成剩下的运动。设计上有几种应对方式。被动策略通过塑造机体外形,使倒置状态不稳定或只是弱稳定,例如采用圆形外壳。主动策略用腿、鳍状摆臂、尾巴或翅膀推地,把机体撬翻过来。有些机器人则通过可倒置运行来回避这个问题,即无论哪面朝上都能行驶或行走。对蟑螂等昆虫的研究启发了多种机器人设计,包括下文所列的 Omni-Roach 机器人;这些昆虫通过把张开翅膀与腿部和身体动作结合起来实现翻身。

自复位与人形机器人和四足机器人的跌倒恢复或起身行为相关,但范围更窄;后者从多种躺卧姿态出发,最终达到站立姿态。在这两种情况下,控制器都需要知道哪个方向朝上,通常来自 IMU 的重力估计,并且需要在动作的关键点上有足够的关节扭矩和运动范围。单靠蛮力往往不够:小的扰动,例如摆动腿或甩动尾巴,能帮助机体逃出浅的能量阱,使复位在各种表面上更加可靠。在仿真中用强化学习训练的控制器,如今已是为腿式机器人生成恢复动作的常用方法。

为何重要

对于野外机器人、小型腿式机器人以及在崎岖地形上工作的机器人而言,翻倒是一种正常事件,而不是罕见的故障。能够可靠自复位的机器人可以尝试更具挑战性的地形,在附近无人的情况下工作,并挺过那些原本会终结任务的跌倒。

主要应用

  • 在杂乱地形上工作的小型腿式机器人和昆虫尺度机器人
  • 用于搜索与救援的履带式和轮式地面车辆
  • 行星探测车和远程野外机器人
  • 四足机器人和人形机器人的跌倒恢复与起身行为
  • 能以任意姿态着地的可投掷机器人和两栖机器人

实际应用

一个为坍塌建筑物打造小型履带式检测机器人的团队,加装了可旋转一整圈的后部摆臂。机载 IMU 报告重力方向;当它显示机器人倒置的时间超过一个短暂的超时阈值时,控制器停止行驶并执行复位序列:转动摆臂抬起底盘的一侧,把质心移过转动边缘,让机器人滚回到履带上。在碎石、沙地和光滑地面上的测试表明,该序列有时会卡住,机体以侧面着地保持平衡,于是团队在这一时刻加入摆臂的小幅振荡,把机器人从卡住的姿态中推翻出来。相机和天线被移到底盘顶面以下,以免反复翻滚损坏它们。

常见误解

  • 自复位只需要更强的电机 — 机体外形、质心位置和接触几何往往比峰值扭矩更重要
  • 自复位和跌倒恢复是一回事 — 自复位通常指从倒置或侧卧状态恢复,而跌倒恢复涵盖从任何跌倒姿态重新站起来
  • 一个固定的动作序列适用于所有表面 — 摩擦、坡度和地面柔顺性会改变结果,因此鲁棒的策略会加入扰动或反馈
  • 能倒着行驶的机器人永远不需要自复位 — 传感器、负载和机械臂通常只朝向一侧,因此可倒置的设计在翻倒后仍会丧失功能

谁需要了解

  • 腿式运动工程师
  • 野外与搜救机器人设计者
  • 小型及仿生机器人的机械设计者
  • 研究恢复控制器和鲁棒运动的研究人员

相关技术

  • 惯性测量单元(Inertial Measurement Unit)
  • 尾部辅助机动(Tail-Assisted Maneuvering)
  • 摆臂履带底盘(Flipper-Tracked Chassis)
  • 强化学习恢复策略(Reinforcement Learning Recovery Policies)
  • 仿生机器人设计(Bio-Inspired Robot Design)

相关术语

  • Locomotion
  • Hexapod
  • Quadruped
  • Projected Gravity
  • Terrain Traversability
  • Whole-Body Control

相关项目

  • Fields2Cover: Coverage path planning library for autonomous agricultural vehicles

本网站需要 JavaScript 才能正常运行。请启用 JavaScript 以浏览我们的开源机器人项目。