首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

400米2分34秒破纪录!伯克利双足机器人超过人类平均水平

近日,加州大学伯克利分校(UC Berkeley)的HYBRID ROBOTICS研究团队再次刷新了人们对双足机器人能力的认知。他们的双足机器人Cassie在一次测试中,以2分34秒的成绩跑完了400米,这一速度超越了许多人类的平均水平!这一成就不仅展示了Cassie在运动性能上的卓越,也标志着机器人技术在模仿人类运动方面取得了显著进展。

Cassie的设计独特,它只有下半身,这种设计使得它在跑步时无需考虑上半身的平衡问题,从而专注于速度的提升。在这次400米的冲刺中,Cassie展现了其敏捷的脚步和标准的跑步姿势,没有任何累赘的动作。这一成绩的取得,得益于其背后的RL(强化学习)通用框架,该框架使得Cassie在站立、跑步、跳高、跳远等多种动作上都表现得十分流畅。

Cassie的这一成就并非偶然。在2021年,Cassie就已经在不充电的条件下完成了5公里的户外长跑,用时53分钟,平均步速为每分94.3米。而此次400米的成绩,更是将步速提升到了每分155.6米,这一进步是肉眼可见的。Cassie之所以能够取得这样的成绩,是因为它采用了基于神经网络的强化学习方法进行训练,从而能够从零开始掌握各种基本技能,如原地跳跃、向前走或跑而不摔倒。

Cassie的训练过程中,研究者鼓励它模仿人体动捕的数据和动作演示动画。这种方法使得Cassie能够在没有经过额外训练的情况下,完成1.4米的跳远。这一结果显示了Cassie的多功能性和适应性,它不仅能够在跑步上表现出色,也能在跳远等其他运动技能上有所作为。

Cassie的强大能力,源自于研究者发表的一篇论文中介绍的RL通用框架。该框架利用了深度强化学习技术,为双足机器人创建了动态运动控制器。研究者开发出的这种通用控制解决方案,适用于一系列动态双足技能,包括周期性行走、跑步,以及非周期性的跳跃和站立。这种基于强化学习的控制器,采用了新颖的双历史架构,有效利用了机器人的长期和短期输入/输出(I/O)历史。

通过端到端的强化学习方法训练,这种控制架构在模拟和现实世界中的各种技能上,都显示出了优于其他方法的性能。此外,RL系统还引入了适应性和鲁棒性,使得Cassie能够适应各种变化,如接触事件,并且通过任务随机化提高了鲁棒性。这些研究成果,使得Cassie不仅能够稳稳地站立,还能多才多艺地步行,快速跑步,以及进行各种跳高和跳远。

UC伯克利的研究团队不仅仅满足于此,他们还在探索如何让机器人更好地理解和适应真实世界。在今年1月,他们的人形机器人“小绿”引起了广泛关注。这款机器人在校园中自由行走,甚至在操场草坪上练习倒步走,引起了人们的惊叹。UC伯克利的研究者们还在2月底发表了一篇重磅论文,介绍了“小绿”是如何训练出来的。他们采用了与训练GPT相同的方法,通过预测下一个动作来控制人形机器人的行走。这种方法使得机器人能够学习真实世界的控制任务,而不仅仅是在模拟环境中。

这些研究成果不仅展示了UC伯克利在双足机器人领域的领先地位,也为未来机器人技术的发展提供了新的可能性。随着技术的不断进步,我们可以预见,双足机器人将在更多领域发挥作用,从灾难响应、搜索和救援到日常生活中的辅助工作,甚至可能在探索外星环境时发挥关键作用。UC伯克利的这些研究,无疑为机器人技术的未来打开了一扇新的大门。

  • 发表于:
  • 原文链接https://page.om.qq.com/page/O_ioKbK6fq1Pvzw1AyUQJ-vw0
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

相关快讯

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券