主要素材来自微信公众号《Green生态智能机器人》1. 72km/h速穿越未知森林港大发布SUPER自主导航无人机72 km/h也就是20 m/s速度很快。核心轨迹规划在线优化问题。论文题目《Safety-assured high-speed navigation for MAVs》在搜救、勘探等任务中无人机需要快速、安全地抵达目的地。然而在树木丛生的森林或障碍密布的灾后场景中“飞得快”和“飞得稳”往往是一对矛盾。为了解决这一核心难题香港大学的研究团队推出了名为“SUPER”Safety-assured high-speed aErial Robot的自主空中机器人系统。鸟类在林中高速穿梭自如这种能力一直是机器人研究者们向往的目标。微型飞行器MAV作为人类创造的最敏捷的机器之一理论上具备实现类似飞行的潜力。然而想在未知、杂乱的环境中实现安全的高速飞行是一个系统性的挑战需要从硬件到软件的全面设计。关于如何提出挑战硬件的挑战敏捷性要实现高速机动无人机必须拥有小巧的尺寸和极高的推重比这样才能有足够的力量进行急加速和急转弯。感知能力高速飞行意味着反应时间极短。因此无人机必须能“看”得足够远以便提前发现障碍物。传统视觉传感器摄像头在远距离、弱光或高速运动模糊下性能会严重下降而性能更好的激光雷达LIDAR通常又大又重会拖累无人机的敏捷性。软件的挑战速度与安全的权衡是一个核心矛盾。过去的算法往往顾此失彼。一类“激进”的算法专注于提升速度它们乐观地假设未知区域是安全的这在障碍物多的地方极易导致碰撞。另一类“保守”的算法则将安全放在首位只在完全已知的安全区域内飞行但这大大限制了飞行速度尤其是在需要不断探索新环境的情况下。如何设计一个软硬件协同的系统利用轻量化的长距离传感器并开发出能高效平衡速度与安全的规划算法是实现无人机在真实世界中大规模应用的关键瓶颈。研究贡献本文提出的SUPER系统通过硬件选型和算法创新的结合成功应对了上述挑战其核心贡献包括高性能的硬件平台打造了一个280毫米轴距的紧凑型无人机其推重比超过5.0F-35战斗机的推重比仅约0.87为高难度机动飞行提供了强大的动力基础。创新的双轨制安全规划框架提出了一种高效的轨迹规划方法在每个决策周期同时规划“探索轨迹”和“备用轨迹”并首次实现了对两者切换时间的在线优化从根本上保证了高速飞行的安全性。高效的感知与建图抛弃了传统规划器中计算量巨大的栅格地图OGM直接在激光雷达的点云上进行规划。这不仅将地图更新的耗时降低了一个数量级还能精确地保留细小障碍物如电线的信息。卓越的真实世界性能在超过1000次仿真和大量真实世界飞行中验证了系统的可靠性。SUPER成功以超过20米/秒的速度在未知森林、黑夜等多种极限场景下完成了自主导航并实现了100%的成功率。系统组成和信息流硬件平台 (Platform):负责飞行是所有任务的物理基础。感知模块 (Perception):激光雷达LIDAR和惯性测量单元IMU的数据被送入此模块进行状态估计无人机在哪和地图构建周围有什么。规划模块 (Planning):这是系统的大脑。它根据感知模块提供的信息执行核心的双轨制轨迹规划生成一条既快又安全的飞行路径。控制模块 (Control):接收规划好的轨迹并将其转化为精确的电机指令控制无人机完成飞行。这个流程以10Hz的频率不断循环使SUPER能够对动态变化的环境做出快速响应。双轨制规划策略轨迹规划的基本流程首先通过A*等算法搜索出一条大致路径然后在这条路径周围生成一系列重叠的凸多面体corridor形成一个安全的“飞行走廊”最后在这个走廊内优化出一条平滑的轨迹。核心思想 (图8C, D):在每个规划周期SUPER会规划两条轨迹探索轨迹是一条“激进”的轨迹它假设未知区域是可飞行的目标是尽快到达终点。备用轨迹是一条“保守”轨迹起点位于探索轨迹上但其全程都必须处于已知的安全区域内。这是条“刹车/避险”轨迹确保在任何时候即使规划器下一瞬间卡住了无人机也有一条确定的安全路径可以执行。最优切换时间:备用轨迹的起点 (即从探索轨迹切换到备用轨迹的点) 的选择至关重要。如果太晚 (图8D左) 会非常靠近障碍物导致没有足够的空间规划出一条安全的备用轨迹这是不安全的。如果太早 (图8D中)无人机会过早地减速这虽然安全但牺牲了速度。SUPER的创新之处在于它将切换的时间点作为一个优化变量与备用轨迹一同优化从而找到一个既能保证安全、又能最大化飞行速度的最优切换点。轨迹优化的数学原理截图公众号2. 比蝗虫跳得还远这款2.2克的机器小跳虫上演1.4米超远距离弹射论文题目《A springtail-inspired multimodal walking-jumping microrobot》概述对于微型机器人而言现实世界充满了巨大的障碍物。当一个几厘米长的机器人面对一个台阶时就像人类面对一堵高墙。自然界中的小型节肢动物如跳蚤和跳虫早已进化出了完美的解决方案跳跃。它们通过“锁扣介导的弹簧驱动LaMSA”机制先缓慢储存能量再瞬间释放从而爆发出远超肌肉力量极限的速度和力量。然而将这种爆发性的跳跃机制与精细的行走功能集成在一个微型平台上并实现可靠的控制是一个巨大的挑战。现有的跳跃机器人要么难以控制跳跃方向要么无法在跳跃后稳定落地并恢复行走姿态。因此如何设计一个既能走又能跳并且能精确控制跳跃轨迹、保证落地稳定的微型机器人是该领域亟待突破的关键。受此启发哈佛大学研究团队开发了一款仅重2.2克、长6.1厘米的多模态微型机器人。它不仅能像普通机器人一样行走更核心的是它集成了一个精妙的、受螳螂虾启发的“扭矩反转弹射器”。这个装置能让机器人在14毫秒内完成发射实现高达1.4米相当于23倍体长的水平跳跃性能超越了同尺寸的昆虫。更重要的是研究团队首次为这一复杂的跳跃过程建立了详尽的动态模型并据此优化了关键部件的设计。最终他们将这个弹射模块成功地集成到了一个灵活的四足机器人HAMR上实现了可重复、可控制的定向跳跃与稳定落地展示了微型机器人通过“走-跳”结合来克服巨大障碍的巨大潜力。研究贡献本文核心贡献在于通过仿生设计、深度建模和实验验证的结合成功解决了一系列关键挑战创新的扭矩反转弹射器设计并实现了一种受螳螂虾启发的、通过“过中心点”实现扭矩反转的弹射机制。该机制仅需单个驱动器形状记忆合金SMA即可完成储能和释放结构紧凑且高效。建立了详尽的动态模型首次为这种复杂的、带有多点地面接触的跳跃过程建立了基于约束拉格朗日方程的动态模型。该模型不仅深刻揭示了跳跃过程中的能量流动和力学变化还成功预测了跳跃轨迹。拥有了精确的模型研究团队就能在计算机上进行“虚拟实验”以最高效的方式找到最佳设计。实现了模型驱动的设计优化利用所建立的动态模型对跳跃机构的关键参数如足部几何形状、关节刚度等进行了系统性优化找到了最大化跳跃性能的设计方案。成功集成与多模态运动展示将优化后的跳跃模块集成到成熟的四足行走机器人HAMR上成功展示了包括行走、原地转向、跳前姿态调整、定向跳跃、稳定落地、被动翻滚自校正和与环境物体交互等一系列复杂的多模态运动能力。讲核心设计扭矩反转弹射机制跳跃过程的数学建模为从物理层面彻底搞懂并优化这个复杂的跳跃过程研究团队建立了详尽的数学模型讨论与展望本文通过一个精巧的扭矩反转弹射器成功地将爆发性的跳跃能力赋予了一个微型行走机器人。其最大的贡献不仅在于造出了一个很能跳的机器人更在于建立了一套能够精确描述和预测这一复杂行为的动态模型并以此指导和优化了机器人的设计。这项工作不仅为微型机器人克服巨大障碍提供了切实可行的解决方案其研究方法和对生物力学的洞察也对整个机器人领域具有重要的启发意义。未来的工作将聚焦于提高跳跃的能量效率、实现跳跃后的空中姿态控制以及最终实现机器人的能源自主让这些能走会跳的小精灵能够在真实世界中大显身手。