近日，哈爾濱工業大學機電學院高海波教授團隊在野外足式機器人環境認知學習與自主導航方面取得重要進展，相關研究成果(Learning physical characteristics like animals for legged robots)作為封面論文發表于綜合類頂級期刊《國家科學評論》（National Science Review，NSR）。

足式機器人在非結構化環境下具有靈活的運動性能和良好的地形適應能力，然而野外環境復雜多變，泥沙、冰雪、積水等非幾何障礙限制了它們的實際應用。面對具有不同物理特性的非幾何障礙，通過自主規劃提前規避或通過智能控制主動適應是有效的處理方法。因此，如何提前感知地形的物理特征信息，如軟硬程度和摩擦系數，變得尤為重要。

動物可以通過對物理特征的理解去適應不斷變化的地形環境，為足式機器人的環境認知學習提供了仿生學啟示。從如下視頻中可以發現，小貓在危險區域行走時會用腳輕輕地試觸地形，估計地面的承壓和附著能力；在后續行走過程中，小貓根據先前積累的經驗對具有相似視覺特征的地形進行預估，并避開非幾何危險區域。然而，機器人實現類似的認知行為卻面臨諸多挑戰：如何通過視覺和觸覺信息實現對地形物理特征的有效表征？如何通過對圖像數據和模型參數的聚類與映射匹配實現環境認知？如何解決由于地面環境動態變化造成的認知沖突？

針對上述問題，研究團隊提出了一種足式機器人的環境物理特征類動物學習方法。研究人員以法向/切向足地作用力學模型為基礎，設計了基于模型-數據的無監督學習框架。該研究首次提出了具有認知沖突解決能力的增量式在線學習方法，使得機器人能夠通過視-觸覺融合感知自主識別環境物理特征信息。具體而言，在地面表征方面，簡化并統一了不同足與地面的接觸力學模型，提供了表征地面觸覺特征的物理參數；機器人快速采集周圍圖像，采用SLIC簡單線性迭代聚類方法建立數據集，并通過對比學習無監督地建立視覺特征提取器。在環境認知方面，采用E-SOINN增強自組織增量神經網絡對視覺和觸覺特征進行無監督聚類，將數據特征總結為知識形式，并構建認知映射層，將不同模態知識進行匹配映射。為了解決認知沖突，采用單個尖峰神經網絡連接不同模態知識，更改LIF帶泄漏整合發放模型對連接強度進行調節，機器人可以通過離散接觸經驗調整視覺和觸覺的映射強度，實現動態更新和知識遺忘。

足式機器人環境物理特征學習框架

研究團隊開展了豐富的室內外感知和導航試驗，證明該方法可以有效助力機器人實現地面物理特征感知與預測，并在動態環境中學習和調整其認知模型，最終安全執行復雜的導航避障任務。相關成果可用于足式等復雜環境移動機器人的自主星球探測、野外救援等任務，并提供了一種物理智能系統的典型案例。

六足機器人室內實驗

六足機器人野外實驗

該項研究獲得了國家重點研發計劃(2019YFB1309500)、國家自然科學基金(91948202，51822502)等資助。哈工大為第一署名單位，丁亮教授為論文通訊作者，博士研究生徐鵬、丁亮教授為論文共同第一作者。哈工大鄧宗全院士，高海波教授，機電學院楊懷廣副教授，英國利茲大學黃艷龍教授，機電學院碩士研究生李政洋、王志愷（已畢業），博士研究生周如意、蘇楊等參與相關研究。

審核編輯 ：李倩