近年来，受猎豹和其他动物运动启发的四足机器人取得了巨大的飞跃，但在穿越海拔快速变化的景观时，它们仍然落后于哺乳动物。

在这些环境中，您需要使用视觉来避免失败。如果你看不到它，就很难避免踩到一个缝隙。尽管有一些现有的方法可以将视觉融入腿的运动中，但大多数方法并不真正适合与新兴的敏捷机器人系统一起使用。

现在，Margolis 和他的合作者开发了一种系统，可以提高腿式机器人在跨越地面沟壑时的速度和敏捷性。

这种新颖的控制系统分为两部分，一部分处理来自安装在机器人前面的摄像机的实时输入数据，另一部分将信息转换为机器人应该如何移动身体的指令。研究人员在 MIT mini cheetah 上测试了他们的系统，这是一个强大的、敏捷的机器人，由机械工程教授 Sangbae Kim 的实验室建造。

与其他控制四足机器人的方法不同，这个由两部分组成的系统不需要预先绘制地形图，因此机器人可以去任何地方。未来，这可以让机器人在执行紧急响应任务时冲进树林，或者爬上一段楼梯给关门的老人送药。

使用两个单独的控制器协同工作使该系统特别具有创新性。

控制器是一种算法，它将机器人的状态转换为一组动作以供其遵循。许多控制器不包含视觉的，只能让机器人在连续的地形上行走。

视觉是一种需要处理的复杂感官输入，这些算法无法有效地处理它。包含视觉的系统通常依赖于地形的导航图，必须预先构建或动态生成，如果导航图不正确，这个过程通常很慢并且容易失败。

为了开发他们的系统，研究人员从这些强大的盲控制器中提取了最好的元素，并将它们与一个实时处理视觉的独立模块相结合。

机器人的摄像头捕捉即将到来的地形的深度图像，这些图像与机器人身体状态（关节角度、身体方向等）的信息，一起被反馈到高级控制器。高级控制器是一个从经验中“学习”的神经网络。

该神经网络输出目标轨迹，第二个控制器使用该轨迹为机器人的 12 个关节中的每个关节提供扭矩。这种低级控制器不是神经网络，而是依赖于一组描述机器人运动的简明物理方程。

层次结构，包括使用这种低级控制器，能够约束机器人的行为，使其更加乖巧。通过这种低级控制器，可以使用可以对其施加约束的明确指定的模型，这在基于学习的网络中通常是不可能的。

研究人员使用称为强化学习的试错法来训练高级控制器。他们对机器人在数百个不同的不连续地形上运行进行了模拟， 并实现成功穿越。

随着时间的推移，算法学会了哪些动作使奖励最大化。

然后，他们用一组木板建造了一个物理的、有缝隙的地形，并使用迷你猎豹测试了他们的控制方案。

迷你猎豹是一个很棒的平台，因为它是模块化的，主要由您可以在线订购的零件制成，所以如果我们想要一个新的电池或相机，只需从常规供应商那里订购，只需一点Sangbae 实验室的一些帮助，安装了它。

在某些情况下，估计机器人的状态被证明是一个挑战。与模拟不同，现实世界的传感器会遇到噪声，这些噪声会累积并影响结果。因此，对于一些涉及高精度足部放置的实验，研究人员使用动作捕捉系统来测量机器人的真实位置。

他们的系统优于仅使用一个控制器的其他系统，迷你猎豹成功穿越了 90% 的地形。

该系统的一个新颖之处在于它确实可以调整机器人的步态。如果一个人试图跨越一个非常大的差距，他们可能会先跑得非常快以提高速度，然后他们可能会双脚并拢，以真正有力地跨越差距。同样，机器人可以调整其足部接触的时间和持续时间，以更好地穿越地形。

虽然研究人员能够证明他们的控制方案在实验室中有效，但在将系统部署到现实世界之前，他们还有很长的路要走。

未来，他们希望在机器人上安装一台更强大的计算机，以便它可以在船上完成所有计算。他们还希望改进机器人的状态估计器，以消除对动作捕捉系统的需求。此外，他们想改进低级控制器，使其能够充分利用机器人的全范围运动，并增强高级控制器，使其在不同的光照条件下都能很好地工作。