[论文解读] Autonomous Obstacle Legipulation with a Hexapod Robot
本文提出了一种基于RGB-D视觉与逆运动学的六足机器人自主障碍物腿部操控框架。通过从点云数据中提取关键接触点，机器人可生成腿部轨迹将障碍物推开，无需夹持器，从而在多种地面上实现稳定、实时的操控，实验中在30自由度六足机器人上取得了95%的成功率。
Legged robots traversing in confined environments could find their only path is blocked by obstacles. In circumstances where the obstacles are movable, a multilegged robot can manipulate the obstacles using its legs to allow it to continue on its path. We present a method for a hexapod robot to autonomously generate manipulation trajectories for detected obstacles. Using a RGB-D sensor as input, the obstacle is extracted from the environment and filtered to provide key contact points for the manipulation algorithm to calculate a trajectory to move the obstacle out of the path. Experiments on a 30 degree of freedom hexapod robot show the effectiveness of the algorithm in manipulating a range of obstacles in a 3D environment using its front legs.
研究动机与目标
- 使足式机器人能够在如灾难区域等狭窄、非结构化环境中自主操控可移动障碍物。
- 通过利用腿部实现移动与操控，克服轮式与履带式机器人在不连续或杂乱地形中的局限性。
- 开发一种仅依赖腿部的无夹持器障碍物清除方法，降低系统复杂度与载荷。
- 通过实时腿部过载检测确保系统安全，防止操控过程中电机损坏。
- 通过实现无需视觉伺服的感知-动作闭环，提升机器人的自主性，依赖本体感觉反馈。
提出的方法
- 使用RGB-D传感器捕获六足机器人前方环境的三维点云数据。
- 应用一系列滤波操作——体素下采样、通带滤波、RANSAC去除地面平面、欧几里得聚类以及八叉树半径搜索——以分离最近的障碍物。
- 利用过滤后的点云数据在障碍物周围生成包围盒，以确定腿部交互的关键接触点。
- 通过逆运动学计算腿部轨迹，利用提取的接触点使前腿将障碍物推离。
- 实现腿部过载检测系统，监测电机负载，若检测到过大作用力则中止运动。
- 使用高层控制器（OpenSHC）基于本体感觉反馈执行生成的轨迹，避免运动过程中依赖实时视觉反馈。
实验结果
研究问题
- RQ1六足机器人能否仅通过RGB-D传感与基于腿部的推挤方式，自主检测并生成可移动障碍物的操控轨迹？
- RQ2该感知流程在不同形状与尺寸物体下，能否准确识别障碍物位置与关键接触点？
- RQ3表面摩擦力对机器人通过腿部操控方式成功推动障碍物的能力有何影响？
- RQ4通过实时过载检测，系统能否在操控重型或不可移动障碍物时防止机器人受损？
- RQ5双足腿部操控在更复杂障碍物清除中的适用程度如何？其稳定性存在何种权衡？
主要发现
- 感知流程成功提取了多种形状与尺寸障碍物的关键接触点，实现了精确的轨迹生成。
- 机器人在大理石、混凝土与地毯表面均实现了稳定的障碍物清除，且在不同摩擦水平下表现一致。
- 腿部过载检测系统有效防止了电机损坏，当遇到重型或不可移动障碍物时能及时中止操控。
- 期望与实际腿部末端位置之间的最大跟踪误差小于0.02 m，表明无需视觉反馈即可实现足够精度。
- 双足腿部操控在仿真中成功生成了独特且不发生碰撞的轨迹，但物理实现因质心偏移与支撑多边形变化而出现不稳定。
- 物体2在所有表面上均实现了95%的成功率，而物体1因接触点位置不理想偶有滚动。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。