伯克利新一代弹跳机器人,以非洲婴猴为灵感,蹦得更高着陆更稳更精准!

加州大学伯克利分校的Salto-1p是一款微型仿生机器人,基于非洲婴猴的跳跃能力设计,实现了78%的跳跃性能。升级版Salto-1p增加了推进器,采用DFPH控制器,提高了跳跃平衡性和轨迹预测能力,可在复杂环境中连续跳跃并准确到达目标点。
部署运行你感兴趣的模型镜像

来源 | 机器人大讲堂

原创 | 凛冬

加州大学伯克利仿生微系统实验室曾在去年开发了一款微型仿生机器人——Salto,Salto是当时最小、最敏捷的跳跃机器人。身体充分伸展时,长度也仅为26厘米,整个机器人的重量仅100克,在当时,Salto能做到每隔 0.58 秒进行一次高达 1 米的跳跃,其速度达到 1.7 m/s,但因为缺乏平衡能力,只能连续跳跃两次。不过好消息是:就在前几天,加州大学伯克利分校为我们带来了Salto的升级版——Salto-1p。

 

我们先来了解下Salto-1p的前身——Salto!

看到这个机器人的时候,大家会想到什么?Salto的外观看上去真的很娇小,一只手掌便能将它握住,像一个踩着弹簧高跷走路的小人儿。在一年前Salto刚露面的时候,有一位YouTube用户曾这样形容Salto的外观:



(将Salto和H2Bird组装在一起,你将得到一个蚱蜢机器人。说实话,这是一项了不起的工作!)

(H2Bird也是伯克利大学分校所设计的一款机器人。)

还真是非常形象了,但其实Salto的设计灵感来自的是动物界垂直跳跃能力最强的动物——非洲婴猴。非洲婴猴体型很小,最长的种类体长不会超过38厘米,行动敏捷,善于跳跃,一跃可达3~5米。

研究人员通过观察婴猴跳跃时的蓄力姿势,肌腱所储存力量后的动作来创造机器人的结构,Salto的结构就是模仿婴猴的,能实现婴猴弹跳能力的78%左右,可实现蹲伏姿势,通过蓄力在“肌腱“中可以让Salto跳得更高。

研究人员还通过比较人在跨越障碍时的姿势和机器人的跳跃来进一步改善结构。

而为了能让Salto在空中跳跃时更加平稳和维持跳跃时的平衡,研究人员在Salto-1p的身体上增加了一对推进器。你能在图片中找到它吗?

                                                                             Salto

                                                                         Salto-1p

外观上的改变很明显,那Salto内置的控制端和算法有没有什么改变呢?要知道Salto-1p跳跃的平衡度和着陆点的准确度可是提升了不少!

现在就来探究下Salto-1p的“前世今生”~               

Salto-1p,它的基本硬件与去年相同。

它有一个驱动的弹性腿,可以使它跳跃,一个惯性尾巴,可以旋转来控制俯仰,还有半个四轴飞行器来控制偏航和翻滚。这个机器人能够各处弹跳,能够连续跳跃,没有任何问题。

它可以前进或者后退;

也可以在行进过程中提速,迅速弹跳,爆发力和敏捷性都属上乘;

当然Salto-1p最牛的地方在于它的轨迹可以预测,也就是你可以预先设计好它的每一次落点的位置,大致规划好它的路线,是不是很厉害!

例如像图中这样预先设计好它的大致落点,定好目标点,然后交给Salto-1p.

动作捕捉将会帮忙测量机器人的位置,你可以发现跟预先定好的落点差距并不是很大,就算中途机器人的方向或者落点有偏差,也会快速矫正,重新定向,最终能够到达目标点。

而能做到这一切的原因是因为Salto-1p采用了新的控制器-DFPH(deadbeat foot placement hopping controller)。

Salto-1p机器人的行为或多或少像弹簧倒立摆,一个简化的动力学模型,经常出现在生物学和机器人的应用中,它有自己的收缩与滑动。DFPH用腿角和收缩来设置机器人的速度,因为它超高的精确度,我们可以告诉Salto-1p它即将要到哪儿去。

如果我们将Salto-1p行进过程中的腿角记录下来,可以观测到DFPH可以在产生误差后迅速调整好自己的位置,矫正好错误,保证行进路线以及目的地的精准度。

我们可以观察下Salto-1p越碍时的表现。

总的来说,DFPH可以算是Salto-1p的心脏了,毕竟要想使机器人必须能够在椅子上弹跳而不掉下来,这意味着每次跳跃后,它都能或多或少准确地降落在它想降落的地方。更复杂的情况下,比如在墙壁之间跳跃,包括一系列的跳跃,所有的跳跃都需要精确,因为一次不准确的跳跃很可能会导致机器人摔倒并将自己摔成碎片。

Salto-1p的可预测性弹道带来了方便,但也带来了难度,它让我们的大多数控制都来自于Salto-1P着陆时的腿的角度和它的腿的长度。而这一切的难题的解决的关键之处都在于控制器的选择,在研究人员一系列的筛选下,DFPH比之前的控制器要改进了许多。

当然,大家肯定也发现了,Salto-1p在调节自己跳跃的精确度时,越是不怎么平整的路面,就越需要更多的小跳跃来帮助调整,远距离的抛射瞄准目前来说还是很困难的。Salto-1p具有中低空跳跃高度,能处理移动的物体,不平整或者平坦的路面。Salto-1p还有着它的缺陷,它的研发人员也说,正努力提高Salto-1p的跳跃精度,同时让它脱离外部定位和计算系统,不再仅仅局限于室内。

如果能够做到的话,Salto说不定能够被广泛应用在特殊环境中的一些搜寻、探索等任务,相信未来的Salto-1p更能够被大家所熟知和信赖!

 

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

【评估多目标跟踪方法】9个高度敏捷目标在编队中的轨迹和测量研究(Matlab代码实现)内容概要:本文围绕“评估多目标跟踪方法”,重点研究9个高度敏捷目标在编队飞行中的轨迹生成与测量过程,并提供完整的Matlab代码实现。文中详细模拟了目标的动态行为、运动约束及编队结构,通过仿真获取目标的状态信息与观测数据,用于验证和比较不同多目标跟踪算法的性能。研究内容涵盖轨迹建模、噪声处理、传感器测量模拟以及数据可视化等关键技术环节,旨在为雷达、无人机编队、自动驾驶等领域的多目标跟踪系统提供可复现的测试基准。; 适合人群:具备一定Matlab编程基础,从事控制工程、自动化、航空航天、智能交通或人工智能等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①用于多目标跟踪算法(如卡尔曼滤波、粒子滤波、GM-CPHD等)的性能评估与对比实验;②作为无人机编队、空中交通监控等应用场景下的轨迹仿真与传感器数据分析的教学与研究平台;③支持对高度机动目标在复杂编队下的可观测性与跟踪精度进行深入分析。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注轨迹生成逻辑与测量模型构建部分,可通过修改目标数量、运动参数或噪声水平来拓展实验场景,进一步提升对多目标跟踪系统设计与评估的理解。
本软件实现了一种基于时域有限差分法结合时间反转算法的微波成像技术,旨在应用于乳腺癌的早期筛查。其核心流程分为三个主要步骤:数据采集、信号处理与三维可视化。 首先,用户需分别执行“WithTumor.m”与“WithoutTumor.m”两个脚本。这两个程序将在模拟生成的三维生物组织环境中进行电磁仿真,分别采集包含肿瘤模型与不包含肿瘤模型的场景下的原始场数据。所获取的数据将自动存储为“withtumor.mat”与“withouttumor.mat”两个数据文件。 随后,运行主算法脚本“TR.m”。该程序将加载上述两组数据,并实施时间反转算法。算法的具体过程是:提取两组仿真信号之间的差异成分,通过一组专门设计的数字滤波器对差异信号进行增强与净化处理,随后在数值模拟的同一组织环境中进行时间反向的电磁波传播计算。 在算法迭代计算过程中,系统会按预设的周期(每n次迭代)自动生成并显示三维模拟空间内特定二维切面的电场强度分布图。通过对比观察这些动态新的二维场分布图像,用户有望直观地识别出由肿瘤组织引起的异常电磁散射特征,从而实现病灶的视觉定位。 关于软件的具体配置要求、参数设置方法以及深入的技术细节,请参阅软件包内附的说明文档。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值