#人工智能##机器人#如果你曾经和机器人踢过足球，这是一种熟悉的感觉。阳光照在你的脸上，草香弥漫着空气。你环顾四周，一只四腿机器人正在努力地向你跑来，滴答滴答地运球。
虽然这只机器人没有像莱昂内尔·梅西那样的能力，但它仍然是一个出色的野外运球系统。麻省理工学院（MIT）的想象人工智能实验室、计算机科学与人工智能实验室（CSAIL）的研究人员开发了一种腿部机器人系统，可以在与人类相同的条件下运球。该机器人使用了一种混合的板载感应和计算方法，可以穿越不同的自然地形，如沙子、碎石、泥巴和雪地，并适应它们对球运动的不同影响。像每一个忠诚的运动员一样，“DribbleBot”能够在摔倒后站起来并拿回球。
编程机器人踢足球已经是一个活跃的研究领域。然而，该团队希望自动学习如何在运球过程中启动腿部运动，以便发现响应雪地、碎石、沙子、草地和人行道等不同地形的难以编写的技能。于是，他们采用了仿真技术。
仿真中有机器人、球和地形——一个自然世界的数字孪生。你可以加载机器人和其他资源，设置物理参数，然后它就会处理动力学的前向仿真。在实时并行仿真中，有四千个机器人的版本，比使用一个机器人收集数据快了4000倍。这是很多数据。
这只机器人从开始不知道如何运球，只有在它运球时得到奖励，或者当它弄糟时得到负面强化。因此，它本质上是试图弄清楚它应该应用哪些序列力量。MIT博士生加布·马戈利斯(Gabe Margolis)和想象人工智能实验室的研究助理Yandong Ji带领研究工作，"这种强化学习方法的一个方面是，我们必须设计一个好的奖励，以便机器人学习成功的运球行为。"一旦我们设计好了这个奖励，那么机器人就可以练习了：在实时中，需要几天，在模拟器中需要数百天。随着时间的推移，它学会了更好地操纵足球，以匹配所需的速度。
该机器人还可以在不熟悉的地形上导航，并通过团队构建到其系统中的恢复控制器从跌倒中恢复过来。这个控制器让机器人在摔倒后起来，切换回运球控制器，继续追求球，帮助它处理不同分布中的干扰和地形。
"如果你今天环顾四周，大多数机器人都是轮式的。但是想象一下有一种灾难情景，洪水、地震，我们希望机器人在搜索和救援过程中帮助人类。我们需要机器能够穿越不平坦的地形，而轮式机器人无法穿越这些地形，"MIT教授、CSAIL首席研究员、想象人工智能实验室主任Pulkit Agrawal说。他补充说："研究腿部机器人的整个目的是去到当前机器人系统无法到达的地形。"
对四足机器人和足球的热情深深植根于加拿大教授Alan Mackworth的一篇名为"On Seeing Robots"的论文中，该论文于1992年的VI-92会议上发表。随后，日本的研究人员组织了一个名为"Grand Challenges in Artificial Intelligence"的研讨会，讨论了使用足球来促进科学和技术的话题。一年后，该项目启动了Robo J-League，全球的热情很快就激发了起来。不久之后，"RoboCup"应运而生。
与单纯的行走相比，运球施加了更多的约束于DribbleBot的运动和它能够穿越的地形。机器人必须根据球的位置适应其运动方式。球和地形之间的相互作用可能与机器人和地形之间的相互作用不同，例如，草地上的足球将经历不存在于人行道上的阻力，倾斜会施加加速度力，改变球的典型路线。然而，机器人穿越不同的地形的能力通常不会受到这些动态差异的影响——只要它不滑倒——所以足球测试可以对地形变化比仅仅是运动敏感。
"过去的方法简化了运球问题，做出了平坦、坚硬地面的建模假设。运动也被设计为更静态；机器人不试图同时奔跑和操纵球。"Ji说，"这就是更困难的动力学进入控制问题的地方。我们通过扩展最近的进展来解决这个问题，这些进展已经实现了更好的室外运动，将这个结合了起来，将运动和灵巧操纵的方面结合在一起。"
在硬件方面，机器人拥有一组传感器，让它可以感知环境，从而让它感觉到自己在哪里，"理解"它的位置，并"看到"它周围的一些东西。它有一组能够施加力和移动自己和物体的执行器。在传感器和执行器之间，是计算机或"大脑"，负责将传感器数据转换为动作，并通过电机应用它们。当机器人在雪地上奔跑时，它看不到雪，但可以通过其电机传感器感受到它。但是，足球比行走更棘手，所以团队在机器人的头和身体上利用了摄像头，为新的感觉模态——视觉——提供了支持，除了新的运动技能。然后——我们运球。
"我们的机器人可以在野外行动，因为它携带了所有的传感器、相机和计算资源。这需要一些创新，以便整个控制器适合这个板载计算机，"Margolis说。"这是学习帮助的一个领域，因为我们可以运行一个轻量级神经网络，并训练它处理运动机器人观察到的噪声传感器数据。这与今天的大多数机器人是截然不同的：通常一个机器人手臂安装在一个固定的基座上，并坐在一个工作台上，插着一个巨大的计算机。计算机和传感器都不在机器人手臂上！所以整个东西很沉重，很难搬动。"
使这些机器人像它们在自然界中的同伴一样敏捷的道路还很长，一些地形对DribbleBot来说是具有挑战性的。目前，控制器没有在包括坡道或楼梯在内的仿真环境中进行训练。机器人没有察觉地形的几何形状；它只是估计其材料接触属性，如摩擦力。例如，如果有一个向上的台阶，机器人就会卡住——它将无法将球抬起越过台阶，这是团队未来想探索的领域之一。研究人员也很兴奋地将DribbleBot开发的经验应用于其他涉及联合运动和物体操作的任务，使用腿或手臂快速运输多样化物品的地方。
"在一个需要动态整体控制的复杂问题空间中，DribbleBot是这种系统可行性的一个令人印象深刻的示例，"Facebook AI Research的研究科学家Vikash Kumar说，他没有参与这项工作。"DribbleBot的令人印象深刻之处在于，所有的感知运动技能都是实时合成的，使用板载计算资源。虽然它表现出了卓越的敏捷性和协调性，但它只是下一个时代的开端。比赛开始！"
这项研究得到了DARPA机器通用感知计划、MIT-IBM Watson AI实验室、美国国家科学基金会人工智能和基本相互作用研究所、美国空军研究实验室和美国空军人工智能加速器的支持。一篇有关这项工作的论文将在2023年IEEE国际机器人与自动化会议(ICRA)上发表。