能飞檐走壁的机器人面世！近日，来自美国非营利研究机构 RAI、美国卡内基梅隆大学以及美国麻省理工学院的研究人员造出一款名为 UMV（Ultra Mobility Vehicle）的自行车机器人，它可以像专业车手一样原地定车、单轮跳跃、甚至能在空中翻跟头，最高能够跳上一米高的平台，比它自己站立时还高出 30%。
这台重 23.5 公斤的机器人只有一个自行车的基本骨架，外加一个会动的脑袋。当它在平地上奔跑时，最高速度能够达到每秒 8 米，比人类百米冲刺还快。遇到台阶或者障碍物的时候，它不需要绕路，直接原地起跳就能翻过去。更厉害的是，它只用后轮就能站立，能像杂技演员一样原地转圈，也能连续跳跃着前进。
相关论文的第一作者是 Ben Bokser，他目前是 RAI 的机器人工程师，此前毕业于美国卡耐基梅隆大学。
当然，这项成果不只是 Ben 一个人的功劳，全部作者达到几十位之多。
研究人员给它设定的目标非常明确：既要像自行车一样高效省力，又要像腿足机器人一样灵活便捷。传统的腿足机器人虽然有十几条甚至更多的活动关节，能够跨过各种障碍，但是结构复杂、造价昂贵、耗电惊人。而普通自行车虽然简单轻便，但是遇到台阶只能绕道。UMV 则试图使用最简答的结构，同时解决这两个问题。
UMV 只有五个活动关节，两个负责基本的骑行和转向，另外三个藏在那个沉重的脑袋里，通过一套空间连杆结构连接到车身上。当需要跳跃的时候，头部的电机会把整个身体像压弹簧一样压缩，然后瞬间释放，把自己弹到空中。研究人员在设计这个结构时，使用计算机模型反复优化，最终让 23.5 公斤重的 UMV 跳出了超出自己身高 30% 的高度。
光有硬件肯定是不行的，要想让 UMV 在真实世界里稳定完成这些高难度动作，必须有一套足够聪明的控制系统。研究人员没有使用手写代码的方式逐条告诉机器人每一步该怎样做，改为使用强化学习的方式。他们先在虚拟世界里搭建了一个和 UMV 一模一样的数字模型，然后让其一遍一遍地练习。
就像小孩子学骑自行车一样，摔倒了爬起来，慢慢摸索出来平衡的感觉。这个过程在超级计算机上并行运行，相当于同时有成千上万个机器人在虚拟世界里练习，只用了十几个小时就积累了相当于人类练习几百年的经验。
最终学会的技能可以直接迁移到真实的 UMV 身上，不需要任何额外的调整，真正实现了零样本迁移。研究人员发现，这个学习出来的策略甚至自己发明了一些人类车手经常使用的技巧，比如在使用后轮跳跃时它会在接触地面的瞬间先把轮子向后滚一下然后再向前发力，以便更好地保持平衡。
在做前空翻的时候，它会在空中收紧身体以便减少转动惯量，让转速瞬间提升到每秒 17 弧度，接近每秒一圈半，然后在落地之前展开身体缓冲冲击。
在连续的跳跃实验中，研究人员让 UMV 反复跳上一米高的桌子然后再跳下来，累连续执行 15 次。每次起跳的轨迹几乎完全重合，说明这个学习出来的控制策略极其稳定。
即使在落地冲击的瞬间，控制系统也能快速恢复平衡，继续执行下一轮任务。据了解，这在机器人领域是一个相当难得的成就，因为冲击往往会导致状态估计出错或者控制失效，但是 UMV 的学习算法把这些都考虑了进去。
当然，完成这些动作对于硬件的要求非常高。在起跳的瞬间，电机的输出功率会飙升到 4.5 千瓦，相当于同时打开 45 个 100 瓦的灯泡。电池电压会瞬间下降 20 伏，电机控制器要承受巨大的电流冲击。
研究人员甚至专门修改了电池保护板的固件，允许它在短时间内超出设计功率放电，目的就是为了满足这些极限动作的需求。他们还为每个刚性部件都安装了加速度传感器，累计使用了三个三轴 IMU，并实时测量了每个部件的线性加速度、角速度和角加速度，以便在高速运动中准确判断前后轮的触地状态。
UMV 的设计思路里还蕴含着这样一个哲学思想：那就是与其给机器人装上复杂的腿和脚，不如在简单的自行车构型上加一个会动的配重块。这个配重块就是那个沉重的脑袋，它可以在三维空间里自由移动，改变整个机器人的中心位置。跳跃的时候，脑袋会向上猛甩；平衡的时候，脑袋会左右摇摆；翻跟头的时候，脑袋会进行收紧。也就是说，所有运动都依靠这个脑袋的动作来实现。
研究人员使用了一个名为可控性的量化指标来优化脑袋的运动轴方向，最终确定那个关键关节的固定角度得让旋转轴大致指向后轮的轴心，以便能够实现最高的控制效率。这也说明机器人设计有时也遵循少就是多的原则，把简单的结构发挥到极致也能创造出惊艳的功能。
目前，UMV 还需要实验室里的动作捕捉系统来帮助它感知自己的位置和姿势，因为运动范围实在是太大，冲击非常的猛烈，因此使用普通的视觉里程计很难稳定工作。不过，它已经能够支持完全自主的状态估计，眼下已经在一些初步的户外测试中验证过。未来的版本预计将会完全走出实验室，在真实的山地、丛林和城市街道里进行极限测试，最终有望用于快递、巡检、救援和探险等场景。
参考资料：
相关论文：
https://arxiv.org/pdf/2602.22118
https://www.linkedin.com/in/ben-bokser/
https://www.benbokser.com/spryped.html
运营/排版：何晨龙
热门跟贴