機器之心報道，編輯：陳萍。
你見過敢與特斯拉「飆車」的四輪機器人嗎？就像下面這樣，看起來速度還挺快：
下樓梯也「一往無前」：
除了四輪奔跑之外，它還可以兩輪站立，變身人形機器人，平衡能力棒極了：
這款機器人由蘇黎世聯邦理工學院的衍生公司 Swiss-Mile 開發，它的名字也隨了公司名，被命名為：Swiss-Mile 機器人。
其實，這款機器人是在 ANYmal 機器人的基礎上開發而來，ANYmal 是由蘇黎世聯邦理工學院開發的四足機器人，當時的 ANYmal 就像四足動物一樣只能四條腿走路。後來，研究者在ANYmal腿上增加了輪子，使其既能行走又能滑動，現在，ANYmal能夠雙腿站立了。
根據 Swiss-Mile 官網介紹：Swiss-Mile 機器人速度高達 6.2 m/s（約 22.32 公裏 / 小時或 13.87 英裏 / 小時），能夠克服具有挑戰性的障礙並實作在室內和室外空間的導航，可攜帶工具、材料、貨物和傳感器，最大有效載荷為 50 公斤！
Swiss-Mile 機器人由 Marko Bjelonic 領導開發，他這樣總結 Swiss-Mile：汽車、四足、人形，最高時速 22 公裏，能夠克服障礙，兩條腿站立！
Marko Bjelonic 因開發輪腿機器人 ANYmal 而廣受關註，這一專案是 Bjelonic 在蘇黎世聯邦理工學院機器人系統實驗室攻讀博士學位期間做的專案。Bjelonic 在讀博期間受到蘇黎世聯邦理工學院的 Marco Hutter、蘇黎世聯邦理工學院的 Stelian Coros 和 MIT 的 Sangbae Kim 指導。作為一名博士後，Bjelonic 將繼續他的夢想，即透過 Swiss-Mile 公司將輪腿式機器人帶入現實世界的套用中。
從官方影片來看，Swiss-Mile 機器人用到了軌跡最佳化技術：將高級任務轉化為動態可行的運動，這些運動儲存在機器人的運動庫中，來自該庫的單個運動進行組合並反饋至 MPC：
其實，對於有腿的機器人來說，輪式與腿式相比具有許多顯著優勢。對於輪式機器人來說，釘選機器人的輪子，機器人可以行走，像爬樓梯、下坡這種高難度的動作也能很好的適應；而解鎖輪子，機器人能夠更快、更有效地移動，比行走要快的多。因此，我們從 Swiss-Mile 官網可以看到，Swiss-Mile（輪腿式機器人）的效率比腿式系統高 83%！
未來，該公司希望將輪腿機器人商業化，以完成各種任務，包括地圖、檢查、救災和城市環境中的物流等。此外，與輪式送貨平台和輕型送貨無人機相比，Swiss-Mile 機器人已經可以有效地克服平坦地形，越過台階和樓梯等障礙物，並在室內和室外空間承載重型有效載荷。
ANYmal 機器人
關於 Swiss-Mile 機器人，我們在官網上沒有查到更多的詳細資訊，但它是在 ANYmal 機器人的基礎上演化而來。或許透過 ANYmal 機器人的一些技術資訊，我們可以推測 Swiss-Mile。
ANYmal 機器人由 ANYbotics 公司打造。ANYbotics 成立於 2016 年，是瑞士蘇黎世聯邦理工學院的衍生公司，致力於開發工業套用的移動機器人技術。此前還登上了【Science Robotics】封面。
此前，ANYmal 是這樣的，沒有輪子，更不能雙腿站立，但能 hold 住各種地形，徒步過河不在話下。
ANYbotics 的研究者提出了一種穩健的控制器，用於在充滿挑戰的地形上進行盲四足運動。該控制器僅使用聯合編碼器和慣性測量單元的本體感受（proprioceptive）度量，這是腿式機器人上最耐用最可靠的傳感器。控制器的操作如下圖所示：
該控制器被用於 ANYmal 四足機器人的兩代版本中。四足機器人在泥土、沙子、瓦礫、茂密的植被、雪地、水中和其他越野地形中安全地小跑。
此外，這項研究中提到的方法並沒有用到網絡攝影機、激光雷達或接觸式傳感器資訊，只依賴本體感受傳感器訊號（proprioceptive sensor signal）來提高控制策略在不同地形中的適應力和穩健性。
在模型上，新方法沒有使用在機器人當前狀態的快照上執行的多層感知器（MLP），而是使用了序列模型，特別是感受狀態的時間摺積網絡（TCN）。
之後，研究者為 ANYmal 添加了四個輪子，他們提出了一種整體模型預測控制器，同時最佳化車輪和軀幹運動。該控制被套用到 ANYmal 輪腿機器人上。
添加了四個輪子的 ANYmal
研究者提出了一個線上軌跡最佳化（TO）框架，透過將問題分解為單獨的輪子和基本軌跡最佳化來打造一個能以模型預測控制（MPC 模）方式奔跑的輪式 - 腿式機器人。對於動態一致的運動，該輪式 TO 需要考慮輪子的捲動約束，而基礎 TO 則考慮機器人在運動期間的平衡，此處用到的是零力矩點思想（zero-moment point，ZMP）。一個分級的 WBC 透過計算所有關節的扭矩命令來跟蹤這些運動。該混合運動框架透過以下方式擴充套件了輪 - 腿機器人的能力。
圖 2：運動規劃和控制結構演示。運動計劃基於 ZMP 方法，該方法考慮了最佳化的輪子軌跡和機器人的狀態。分級 WBC 最佳化了整體加速和接觸力，追蹤操作空間推理。最後扭矩數據被傳送到機器人處。由於采用分層結構，輪子 TO、基礎 TO 和 WBC 可以實作並列。
圖 3：車輪基本軌跡的草圖。
