傳統的具身智能載體，無論是四足機器狗還是昂貴的人形機器人，在面對墜落、撞擊或非結構化地形，如沙地、草地時，脆弱的剛性關節(jié)和減速機往往抗沖擊的薄弱環(huán)節(jié)。

最近，耶魯大學和羅格斯大學的研究團隊在權威期刊《IEEE Robotics and Automation Letters 》上發(fā)表了一項新成果，他們展示了一套完整的全開源張拉整體機器人，不僅硬件便宜耐造，還能在斜坡、沙地、甚至戶外自主導航。關鍵是，該系統可復選，別人照著圖紙也能造出一模一樣的。

01.

桿子+繩子，反而更穩(wěn)？

傳統的機器人，不管是輪式的還是腿式的，最怕的就是摔。但張拉整體機器人恰好相反，它天生就是“軟”的。它的結構由剛性桿和彈性繩索組成，受力時會發(fā)生形變，把沖擊能量分散掉。這種機器人具有自重輕、高抗沖擊性、對非結構化地形適應性強的特點。

具體到這款機器人，它用了3根剛性桿，每根桿的兩端各有一個電機和電池艙，桿與桿之間通過9根“肌腱”連接。其中6根是主動的，由電機驅動，另外3根是被動的恢復彈簧。每根主動肌腱上都集成了電容式應變傳感器，可以實時測量長度變化，實現閉環(huán)控制。

整機重量和尺寸論文沒有直接給一個數字，但從設計圖看，每根桿大概30-40厘米長，電機、電池、PCB全部塞在桿子里，結構非常緊湊。

有意思的是，每根桿都是一個獨立的電子單元，自帶Arduino Nano 33 IoT、電機驅動、LiPo電池和WiFi模塊。這意味著你可以把這3根桿拆開重新拼成其他拓撲結構，模塊化程度很高。

02.

怎么讓它自己找路？

張拉整體機器人的動力學非常復雜，傳統的運動學模型很難精確描述。為了解決這個問題，團隊采用“離線建模+在線重規(guī)劃”方法。

他們先手工設計了幾種“步態(tài)”，比如向前滾動、順時針轉彎、逆時針轉彎。然后讓機器人在真實環(huán)境中執(zhí)行這些步態(tài)，同時用頂部的靜態(tài)相機（Intel RealSense L515）和機載應變傳感器來追蹤位姿。這些數據被用來訓練一個可微分物理引擎，優(yōu)化出最匹配真實運動的系統參數，包括摩擦系數、恢復系數、鮑姆加特穩(wěn)定系數等。

優(yōu)化完成之后，就可以在仿真中跑了。運動基元庫共生成11種運動基本單元，每種基元對應一個固定的控制序列（一組6根肌腱的目標長度），執(zhí)行完后機器人會落到一個新的位姿。

有了這個運動基元庫，路徑規(guī)劃就變成了一個離散圖搜索問題，每個節(jié)點是機器人的一個位姿，每條邊是一個運動基元。

03.

開環(huán)不行，閉環(huán)才行

研究團隊對比了開環(huán)和閉環(huán)兩種控制方式的成功率。

開環(huán)控制就是一次規(guī)劃好整條路徑，然后讓機器人按規(guī)劃執(zhí)行到底。結果在10次實驗中，只有1次成功到達目標，另外3次直接撞上障礙物，還有6次中途就卡住、沒能滾到終點。

為什么這么慘？因為運動基元的實際執(zhí)行效果和模型預測總有偏差，一次偏差不大，但多次累積下來，機器人就偏到不知道哪里去了。

閉環(huán)控制就好多了。每執(zhí)行完一個運動基元，就重新規(guī)劃一次。相機以 7Hz 的頻率實時追蹤位姿，規(guī)劃器根據當前位置重新計算下一步。10次實驗中，8次成功到達目標，2次撞到障礙物，沒有出現半路卡死的情況。

這種閉環(huán)控制方案規(guī)劃一次的平均耗時大約是 0.5 秒，對實時控制來說足夠了。

04.

37cm墜落重生到跨介質地形導航

張拉整體機器人最讓人興奮的特點是它的魯棒性。研究團隊做了幾個“毀模型”的實驗，非常有意思。

• 垂直跌落

機器人從一個37厘米高的臺架上執(zhí)行第一個動作，直接滾落下來。這個高度遠超過它的自身尺寸，落地后的位姿和模型預測完全不一樣。但位姿追蹤器成功捕捉到了新位置，重規(guī)劃器立刻生成了一條新路徑，機器人繼續(xù)完成任務。

• 斜坡

在一個8° 的木制斜坡上導航。運動基元是在平地上建模的，在斜坡上執(zhí)行出來的變換完全不一樣。而且斜坡的顏色還干擾了視覺追蹤，中間有一段位姿估計不太準。但最終機器人還是成功翻過了斜坡，完成了整個障礙物賽道。

• 顆粒介質

在一個裝滿顆粒狀介質的沙盤里跑。機器人在沙地上的運動特性和平地完全不同，物理引擎的預測基本失效。但閉環(huán)控制仍然有效，每走一步就重新規(guī)劃，最終也成功到達了目標。

• 戶外

團隊還把機器人搬到了室外。因為室內的激光雷達相機（L515）在陽光下沒法用，他們換成了立體相機（D435），重新標定了一下顏色濾波器的參數，然后讓機器人在草地上繞著障礙物跑了一圈，結果很成功。

此外，研究團隊里還做了兩個仿真實驗，分析障礙物密度和環(huán)境大小對規(guī)劃的影響。

當障礙物數量從1個增加到6個時，成功率在5個障礙物以下都是100%，到6個時降到了90%。規(guī)劃搜索的狀態(tài)數從166增加到478，但每次規(guī)劃的時間反而沒什么變化（0.85秒左右），因為主要的計算開銷是啟發(fā)式函數，占了平均0.768秒。

當仿真環(huán)境從4米×4米擴大到10米×10米時，一次重規(guī)劃的時間從約2.4秒增加到近16秒。團隊建議，在超大空間中引入中間目標點或檢查點，把長路徑拆成多段，可以有效降低計算壓力。

05.

全開源，按圖紙可以造出一樣的

這項研究的一大賣點是可復現性。團隊專門設計了一個開源版本的硬件，所有設計文件（CAD）、電路圖、BOM清單、裝配說明，以及整套ROS軟件包都可以在tensegrity.yale.edu網站上獲取。

更硬核的是，他們找了兩個不同的實驗室，各自獨立照著圖紙造了一臺機器人，然后跑到同一個測試場景里跑導航實驗。結果呢？都能成功完成任務，而且用的還是同一套運動模型，沒有針對新機器人重新做系統辨識。

這就說明了兩件事：第一，這套硬件確實能復現；第二，閉環(huán)控制可以彌補不同機器人之間的個體差異。

06.

有什么用？

張拉整體機器人目前最大的應用場景是極端環(huán)境下的探測，比如行星探測、災害搜救、管道巡檢。因為它耐摔、輕便、能適應各種復雜地形。

這項工作的最大貢獻，其實是提供了一個開源的、完整的、可復現的導航基線。以后其他研究者想在這個方向上前進，不用再從零開始搭硬件、寫控制、調參。直接用這套系統，然后專注于自己的創(chuàng)新點，比如動態(tài)障礙物避障、機載感知、多機器人協作等等。

論文最后也提到了未來方向。目前假設障礙物是靜態(tài)的，下一步可以支持移動障礙物；目前依賴外部相機，未來可以集成機載傳感器，比如UWB或深度相機，實現完全自主。

論文鏈接：

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11474858