上海启智研究院、 浙江大学、上海交通大学和清华大学的研究人员推出创新系统“Cross Anything System”（简称CAS），它是一个用于四足机器人的导航系统，能够使机器人穿越复杂的3D地形到达目标位置。这个系统由一个高级推理模块和一个低级控制策略组成，它们共同工作，让机器人能够自主地规划路径并适应各种地形。例如，你有一个宠物狗，你告诉它去花园的另一边拿回飞盘。你的狗需要理解你的命令，观察地形，决定如何穿过草地、绕过障碍物，最终拿到飞盘并回来。CAS系统就像给了机器人狗这样的能力，让它能够理解环境并自主导航。
- 项目主页：https://cross-anything.github.io
主要功能：
- 使四足机器人能够理解复杂的3D环境。
- 规划出一条到达目的地的路径，即使在复杂的地形中。
- 低级控制策略保证机器人稳健行走。
主要特点：
- 高级推理模块：使用视觉-语言模型（VLM），进行任务分解和闭环子任务执行。
- 低级控制策略：采用概率退火选择（PAS）方法，通过强化学习训练控制策略。
- 通用性：在多种室内和室外场景中展示强大的泛化能力。
工作原理：
- 任务分解：将长期导航任务分解为一系列子任务，每个子任务包括动作和结束点。
- 子任务执行：机器人根据VLM的指令，依次执行每个子任务，形成闭环反馈，直到完成整个任务。
- 辅助模块：包括定位模块、轨迹细化模块和地形估计网络，辅助VLM进行更精确的任务执行。
- PAS方法：在强化学习中，通过逐步从完全使用真实值到完全使用预测值的过渡，训练出稳健的控制策略。
具体应用场景：
- 室内导航：在复杂的室内环境中，如办公室或仓库，机器人需要绕过障碍物或走楼梯。
- 室外导航：在户外，机器人可能需要穿越不平坦的地形，如草地、砂石地或小山坡。
- 搜索和救援：在灾难现场，机器人可以被派遣去搜索幸存者，需要穿越废墟和障碍。
论文中的实验结果表明，CAS系统在多种地形和路线上都表现出了准确性和鲁棒性，无论是在模拟环境还是现实世界中。此外，论文还讨论了系统的局限性，比如当前使用的SLAM方法在高频振动下可能不稳定，以及系统未来可能的改进方向，如集成拓扑地图或语义地图来提高导航能力。
0条评论