近日，加州大学伯克利分校的研究团队公布了一款名为"Berkeley Humanoid"的中型人形机器人研究平台。

令人惊叹的是，这个体重仅16公斤的人形机器人不仅能在各种户外地形上自如行走，还能承受大幅度的外部干扰而保持平衡。它甚至可以连续行走数百米，在陡峭的未铺砌小径上行走自如，并能进行单腿和双腿跳跃等高难度动作。

而且，整个机器人的成本不超10,000美元！

这款机器人专为学习型控制算法而设计，具有可靠性高、轻量化、低模拟复杂性等特点，为人形机器人的学习控制研究开辟了新的道路。让我们深入了解这个项目，看看它如何应对当前人形机器人研究中的挑战，以及它带来的创新解决方案。

▍为学习而生的设计理念

当前，人形机器人研究面临多重挑战。大型机器人操作复杂需团队协作，且其高减速比传动装置限制了高级学习算法的应用。小型机器人则易于操作，实验环境宽容，适合在狭小空间测试。但短腿设计带来机械挑战，需紧凑高功率执行器，这些组件昂贵且难以获取。控制上，中型短腿机器人因低重心和短腿特性，稳定性差、敏感度高，需高频精确控制以应对扰动，实现稳定行走。

面对这些挑战，Berkeley研究团队提出了一个创新的解决方案：打造一个专门为学习型控制算法设计的中型人形机器人平台。研究团队在设计过程中充分考虑了学习算法的需求，从硬件设计到控制方法都做了精心的优化。

首先，为了降低仿真复杂度，研究人员去除了所有弹性和能量吸收部件，如弹簧和阻尼器，以及机器人运动链中的闭合运动链。大多数执行器都可以直接安装并用作关节，这样转子惯量可以通过在关节质量矩阵的对角线上添加电枢来轻松模拟，其他执行器因素也可以与关节相同方式建模。

其次，为了缩小仿真-现实差距，研究人员选择了行星齿轮箱和准直驱(QDD)传动比，这只会引入很小的摩擦不确定性，易于在关节空间建模。此外，团队还使用EtherCAT进行通信，确保了0.5-2毫秒的极低延迟，使执行器可以被模拟为无延迟的力矩源。

这些设计使得Berkeley人形机器人能够在NVIDIA A4500 GPU上以每秒超过90,000步的效率进行精确仿真，大大提高了学习算法的训练效率。

▍可靠且低成本的硬件设计

除了优化学习效果，Berkeley人形机器人在硬件设计上也做了大量创新，以提高可靠性并降低成本。

首先，研究团队使用的材料使得机器人结构轻量化的同时还能承受较大冲击。为了提高电缆的耐用性，大多数执行器采用了中空轴设计，最大限度地减少了关节运动造成的磨损。

此外，定制的QDD执行器使机器人能够在不添加应变仪的情况下估计关节扭矩。可靠的关节扭矩感应使得可以使用广义动量观测器来估计每个脚的接触力矩，而无需接触传感器或力/扭矩传感器，进一步提高了机器人的可靠性。

在成本控制方面，Berkeley人形机器人几乎所有部件都是定制的，这不仅提高了性能，还大大降低了成本。例如，与大多数以前的作品使用成本约1000美元的IMU不同，Berkeley人形机器人使用了成本不到1美元的手机级IMU ICM42688。这些设计使得整个机器人(不包括手臂)的成本降至10,000美元，远低于同类产品。

▍人体化设计与实验友好性

Berkeley人形机器人大腿长220毫米，小腿长180毫米。这种中型设计既保留了人形机器人的特点，又避免了大型机器人操作困难的问题。

机器人重16公斤，配备躯干和两条6自由度的腿。躯干内安装了计算机、电源管理板和便宜的手机级IMU传感器。每条腿都配备了6个执行器，用于控制6个关节，大多数执行器直接连接到连杆并充当关节。

为了适应不同关节的扭矩需求，研究团队为每条腿开发了4种执行器和2种电机驱动器。这些高性能执行器使机器人能够执行高度动态的动作。例如，髋关节弯曲/伸展(HFE)执行器的峰值扭矩达到62.6 Nm，膝关节弯曲/伸展(KFE)执行器的峰值扭矩更是高达81.1 Nm。

在实验友好性方面，Berkeley人形机器人的中型设计使其便于携带和操作。即使发生跌倒，通常也不会损坏环境或机器人本身，使实验设置更加宽松。该机器人可以在狭小的实验室空间中进行测试，而且由于其有限的离地间隙，创建粗糙地形进行实验验证相对简单。

▍令人惊叹的实际表现

Berkeley人形机器人在实际测试中展现出令人惊叹的性能。研究团队使用简单的强化学习控制器和轻量级域随机化，就实现了机器人在各种户外地形上的灵活稳健运动。

在实验中，Berkeley人形机器人展示了以下令人印象深刻的能力:

长距离行走：机器人能够连续行走数百米，展现出优秀的续航能力和稳定性。

适应复杂地形：机器人成功在陡峭的未铺砌小径上行走，这需要极强的平衡能力和适应性。

动态跳跃：机器人能够进行单腿和双腿跳跃，这是一项要求极高的动态动作。

全方位运动：机器人能够实现全方位移动，灵活性很高。

抗干扰能力：机器人能够承受较大的外部扰动而不失去平衡。

这些成果充分证明了Berkeley人形机器人在动态步行方面的出色表现。特别值得一提的是，机器人能够在陡峭、狭窄且未铺砌的小径上行走，这是一项极具挑战性的任务，充分展示了该平台的潜力。

▍结语

可以看到，Berkeley人形机器人作为一个为学习型控制而生的研究平台，在设计理念、硬件实现和实际表现等方面都有不错的表现。它不仅为研究人员提供了一个可靠、低成本且易于实验的平台，还通过其出色的性能展示了学习型控制在人形机器人领域的巨大潜力。随着代码库的开源和更多研究的进行，Berkeley人形机器人有望为人形机器人研究带来新的突破。