跨栏与不平整地形：

40cm高台：

跳过间隙：

高下楼梯末了跌倒：

▍难点在哪？

跑酷作为一种极限运动，对参与者的身体感知、手脚协同掌握能力和敏捷性提出了很高的哀求。

对付机器人来说，跑酷则更是一个巨大的寻衅。
人形机器人自主跑酷不仅须要机器人平台具有足够的稳定性和灵巧性，能够具备运动能力、能量供应、安全性能，以应对如跳跃、攀爬等跑酷过程中的各种寻衅，而且须要机器人学习基于视觉且多样化的通用技能，例如配备各种传感器（如视觉传感器、力传感器等）和驱动器（如电机、伺服器等），以实现精准的掌握和感知并迅速做出反应。

为了适应繁芜的场景，这每每还进一步须要人形机器人的掌握系统具备足够打算能力，以实时处理传感器数据，并做出快速、准确的决策，同机遇器人须要供应灵巧的编程接口，以便开拓者可以根据详细需求进行编程和调试。

由于跑酷活动能很好测试机器人的运动能力、动态姿态调度能力、感知-掌握连接等关键技能，为此机器人研发者们，一贯试图让机器人跑酷，从而帮助机器人探索和学习如何在繁芜环境中快速、有效地移动和战胜障碍。

此前波士顿动力公司常常发布他们Atlas 的仿人类机器人跑酷的***，Atlas能够在跑酷中进行各种跳跃、平衡、超越障碍，还完成了后空翻。
实在这不仅仅是展示了它们机器人的全身运动掌握能力，而且还展示了机器人如何在各种快速变革的高能量活动中保持其平衡。

但波士顿动力所开拓的 Atlas 人形机器人没有利用强化学习，而是采取经典机器人技能，紧张通过 LIDAR 地形扫描来识别障碍物，采取多平面分割算法进行高等舆图构建，然后利用优化问题打算出安全脚步区域和脚步序列，再通过运动学和重心动力学打算调度动态运动方案轨迹和动作模板，才实现了较好的掌握和状态估计、调度。

如今，在深度学习技能进一步发展后，研发者创造可以让机器人考试测验小本钱跑酷技能演习，推动了机器人自主化技能的研发和进步，特殊是在动态环境感知、自主决策和运动掌握等方面干系能力提升显著。

为此，不少海内团队考试测验让机器人学习跑酷技能。

▍背后技能解析

在2023年9月，上海期智研究院、斯坦福大学、上海科技大学、CMU 和清华大学的研究者曾联合提出了一种为低本钱机器人研发的「跑酷」技能学习框架，该跑酷策略仅利用机载打算（Nvidia Jetson）、机载深度摄像头（Intel Realsense）和机载电源来支配，干系论文《Robot Parkour Learning》已经入选 CoRL 2023（Oral），而且研究项目已开源。

论文地址：https://arxiv.org/abs/2309.05665

项目地址：https://github.com/ZiwenZhuang/

该研究针对机器人的运动能力提出通过两阶段强化学习，让机器人智能体在仿照环境中学习应对不同目标的行为策略，然后将其转移到现实天下。
这种soft 动态约束（dynamics constraint）的强化学习预演习方法紧张将障碍物设置为可穿透，许可机器人在仿照中直接穿越障碍物，而不受硬动态约束的限定，同时设计了穿透褒奖，合营自动课程让机器人学习穿越障碍物，鼓励机器人逐渐学会战胜障碍，随后逼迫实行所有动态约束，并用现实动态（realistic dynamics）微调机器人在预演习阶段学到的行为。

进行了大量的仿照和现实实验，结果表明，跑酷策略使低本钱四足机器人能够自主选择和实行适当的跑酷技能，仅利用机载打算、机载视觉传感和机载电源即可穿越开放天下中具有寻衅性的环境，包括爬高 0.40m（1.53x 机器人高度）的障碍物，跳过 0.60m（1.5x 机器人长度）的大间隙，在 0.2m（0.76x 机器人高度）的低障碍物下爬行，通过倾斜挤过 0.28m 的细缝（小于机器人宽度），并且可以一贯跑步前行。

有认为，该人形机器人跑酷，同样采纳了类似强化学习方法，紧张通过将 soft 动态约束的强化学习预演习经由具有 hard 动态约束的强化学习微调，末了蒸馏成一个基于视觉的跑酷策略，并以自我为中央的（egocentric）深度相机将其迁移到机器人上，从而才能不该用动作捕捉、激光雷达、多个深度摄像头和大量打算，低本钱在人形机器人上支配。

虽然目前机器人跑酷可能更多勾留在实验室和竞赛阶段，但未来这套方法有可能将人形机器人小本钱运用于实际场景中。
例如，在紧急接济、探险探测等须要机器人快速移动和战胜障碍的场合，该技能有望发挥主要浸染。

▍关于MARS Lab多模态学习实验室

MARS Lab多模态学习实验室是清华大学交叉信息院下的交叉学科人工智能实验室，由赵行教授组建和辅导。
赵行老师博士毕业于MIT，谷歌无人驾驶Waymo科学家，后加入清华大学任教。
MARS Lab研究成果有广泛的学术、社会和家当影响力：学术论文曾获CoRL最佳系统论文入围，ICCP最佳论文奖；多模态学习干系成果在环球多个科技博物馆陈设展出

该实验室考试测验办理一系列探索性的AI问题，并且一贯在探求新的寻衅。
他们的研究涵盖了多模态学习的根本问题及其运用：(1)多媒体打算, (2)自动驾驶, (3)机器人, (4)多传感器。

实验室官网：

https://group.iiis.tsinghua.edu.cn/~marslab/#/

知乎主页：

https://www.zhihu.com/people/qing-hua-mars-lab?utm_id=0