卓越的機器人移動性－人工智慧與現實世界的相遇
機器人技術是人工智慧與工業應用的現實世界相遇的地方。 ANYbotics 使用人工智慧來提高機器人的運動、導航和檢查智慧。這部影片和文章深入介紹了 ANYmal 如何透過深度強化學習學習在複雜地形（例如攀爬開放式垂直板格柵樓梯）中安全有效地操作。
機器人運動：步行的最佳化與學習方法
對於複雜系統，例如四足機器人，有兩種基本的運動規劃和控制方法：
- 基於優化的方法在線識別所需的運動行為
- 基於深度強化學習的離線模擬模型訓練方法
在《ScienceRobotics》中，Hwangbo Jemin 和 Lee Joonho 以及他們在蘇黎世聯邦理工學院的同事令人信服地展示了強化學習如何應用於四足機器人。 ANYbotics 工程師成功地在他們的工作基礎上升級了 ANYmal 的運動，我們稱之為Trekker 的解決方案。其結果是 ANYmal 具有更高水平的工業級運動能力，在具有挑戰性的環境中的穩健性方面能夠顯著優於基於優化的方法。
在模擬中，ANYbotics為ANYmal帶來了地形、效率、姿態、硬體限制等挑戰。在幾分鐘和幾小時內，模擬的 ANYmal 經歷了數百萬次變化，最終收斂為最佳運動模式的模型。最好的模型作為新功能轉移到實體機器人上 – 在作為更新版本推出到機器人隊列之前，它會經過嚴格的測試。
工業世界中強大的移動性
事實證明，基於學習的方法可以為 ANYmal 帶來更強大、更穩健的運動模式，使其主要應用於複雜的工業設施。另一個優點是，在模擬中最佳化後，新功能可以在所有操作機器人中快速部署。例如，最近改進的近場感知使機器人可以安全地通過陡峭的開放式格柵樓梯。雖然這些樓梯在工業現場很常見，但對於腿式機器人來說，這是一項尖端技術。
此外，在研究場景中，這些機器人經過訓練可以執行跑酷等極限運動，展現它們在動態環境中的敏捷性和適應性。使用基於強化學習的控制，這些機器人克服了非常複雜的障礙。因此，機器人不僅可以行走，還可以利用其主體和膝蓋來克服盒子等大型障礙物。
利用人工智慧推動持續創新
我們在 ANYbotics 的工作是將我們學到的知識應用到我們的自主勞動力中，並比其他任何人更好地解決現實世界的問題。透過以人工智慧為中心的方法，我們的機器人在解決這些問題方面具有優勢，並且可以更好地應對未知的挑戰。但這還不是全部。我們致力於透過將人工智慧技術融入我們的研發中來不斷改進和創新。這就是我們確保我們處於塑造自動化未來的最前沿的方式。
