垃圾是一个涉及经济、生物和健康的多维问题，与气候变化、生物多样性丧失、海洋酸化和人口过剩一同被视为当今人类面临的重大挑战。城市化和消费主义的兴起导致了全球垃圾量的增加，其中大量垃圾未得到妥善处理，对环境造成污染，并威胁着地球及其居民的健康。
烟头作为全球第二大未处理垃圾，因其不易生物降解且能释放有毒化学物质和微塑料，对环境和生态系统造成长期危害。尽管政府和社会各界已开展提高认识的运动，但直接进行废物收集仍然是必要的。然而，收集程序面临诸多挑战，包括烟头的大小、形状和材质差异以及地形的不平坦，使得有效扩大收集规模变得困难。工业界和学术界正致力于实现垃圾收集过程的自动化，但现有方法在设计、可穿越性和收集效率等方面仍存在局限。
对此，
来自IIT Claudio Semini实验室的研究团队前不久提出了一种基于最前沿腿部运动控制框架的自主垃圾清除原型——VERO。
VERO
以宇树科技的四足机器人Aliengo 1为基础，在躯干上安装了真空吸尘器，并在其一条腿上配备了定制的喷嘴。
凭借其卓越的移动性能，该机器人能在轮式和履带式机器人难以触及的各种复杂场景中自主收集未处理的垃圾。
在软件层面上，为了减少收集所有目标物体所需的时间，VERO首先利用
卷积神经网络
进行垃圾检测，并采用
时间最优规划器。
而后，通过
视觉伺服程序
精确执行垃圾清除任务，该程序驱动安装在机器人腿部之一、位于检测到的CB顶部的真空吸尘器喷嘴。得益于喷嘴的独特位置设计，机器人无需停止移动即可完成收集任务，从而显著提升了整体作业的时间效率。
那么，这款机器人的设计具体是如何实现的呢？接下来，和机器人大讲堂一起来深入了解吧！
▍四足机器人+吸尘器，VERO原型如何改装设计？
为了完成垃圾收集工作，研究团队对四足机器人Aliengo进行了创新性的改装。他们
在机器人的躯干顶部增加了一个重达2公斤的商用吸尘器，并在其左前脚上安装了一个特别定制的喷嘴。
这种设计不仅独特，而且具有高度的可调整性，可以轻松地修改以适应更多的脚进行连接，从而有望提高整体系统的效率和适应性，尤其是在执行收集任务所需的时间和地形适应性方面。
研究团队还
设计并3D打印了一个定制的喷嘴，旨在最大限度地扩大机器人脚周围的收集区域，同时确保不牺牲吸尘器的吸力和机器人的运动能力。
他们发现，更大的吸力面积需要更强大的吸尘器或更小的喷嘴与地形之间的间隙，以保持高效的收集效果。在他们的实验中，保持制下，继电器仅在需要打开真空吸尘器时才会关闭，从而优化了电池寿命并避免了在行走时收集不必要的物体。
▍卷积神经网络+视觉伺服程序，VERO垃圾收集程序构成如何？
VERO的垃圾收集程序
由三个核心模块构成：
垃圾检测模块(LDM)、垃圾估算模块(LEM)和垃圾收集模块(LCM)。这些模块在机器人运动期间持续运行。
LDM负责通过机载摄像头检测垃圾（CB）。它利用前置摄像头的图像首次识别要收集的物体，并使用Yolo-V4-tiny神经网络进行对象检测。该网络在图像中的对象周围构建一个边界框，并返回其中包含CB的概率。为避免误报，仅当CB检测概率高于90%时才考虑进行CB检测。检测到的CB信息随后被传递给LCM，用于规划最佳收集路径。
LEM在机器人运动过程中，使用LDM检测到的CB生成航点地图。为避免在存在重复检测的情况下出现不必要的运动，LEM实施了右不变扩展卡尔曼滤波器（Right-IEKF）以减少状态估计漂移导致的噪声和误差。该滤波器将来自机载里程计的状态估计器漂移状态与可收集CB的测量位置融合在一起，从而更新机器人的状态和CB在世界坐标系中的位置。
LCM负责规划并执行垃圾收集的路径。它首先使用来自LEM的数据为机器人的质心（CoM）规划一条路径，然后修改脚步位置以确保收集过程的精确性和安全性。LCM应用Dijkstra搜索算法来找到最佳收集顺序和机器人放置喷嘴在CB顶部时应具有的最佳姿势。一旦机器人足够接近CB，LCM就会移动到最佳姿势，并通过连续视觉伺服程序修改标称立足点来精确驱动机器人的脚进行垃圾收集。此外，LCM还执行持续的安全检查，以保证机器人的稳定性。
▍本体感受+外部反馈，VERO运动控制框架解析
为了实现强大运动控制，VERO运动控制框架融合了本体感受和外部感受元素，通过强化本体感受反应层和处理外部视觉信息的不确定性。
该框架基于反应控制器结构（RCF），包含运动生成和运动控制两大模块。
在运动生成方面，
该模块负责计算机器人底座和腿部的必要运动，提供多种步态模式，如小跑和爬行步态。并特别关注了于适用于垃圾收集的爬行步态，该步态通过特定的腿部运动序列确保机器人在运动过程中的静态稳定性，尽管运行速度较慢，但非常稳健，能适应各种姿势和不规则表面。
在运动控制方面，
模块则采用了模型预测控制器（MPC）与全身控制器（WBC）和关节比例微分（PD）控制器相结合的控制策略。MPC计算地面反作用力以跟踪运动生成模块提供的所需质心（CoM）参考，WBC则计算关节扭矩以跟踪等效CoM扳手，同时考虑腿部惯性效应和物理约束。最后，关节PD控制器通过关节扭矩来应对模型不确定性，实现更精确的腿部摆动运动跟踪。这种分层控制策略确保了机器人在复杂环境中的稳定运动控制。
整体而言，VERO运动控制框架在设计上注重稳定性和适应性，以确保机器人在各种挑战性环境中都能表现出色。
▍原型的应用：室内与室外实验
为了验证VERO在实际应用中的有效性，研究团队在
六种不同的户外场景中对其原型和方法进行了全面测试。
测试结果显示，
无论是在室内实验室环境还是室外多种复杂场景中，该原型均取得了显著成果。
特别是在实验室环境中，团队通过放置多个CB（烟头）来评估IEKF在受控环境下的性能，并发现了估算器漂移现象对机器人运动过程中CB位置定位的影响。
研究团队选择的六个具有代表性的真实测试场景包括海滩、城市、工业、自然、非平坦地形和公园。这些场景涵盖了各种可能阻碍CB可靠收集的挑战，如小鹅卵石、可变地形、人行道和汽车限制、楼梯限制以及相似颜色和形状的植物干扰等。
特别值得注意的是，在其中一个自然场景中，
由于当地植物群中存在与CB颜色和形状相似的物体，团队发现检测CB存在困难。
然而，通过在该场景中收集更多图像并对检测模型进行微调，这一问题得到了一定程度的缓解。这一结果也表明，
在真实环境中仍可能出现错误分类的情况，因此应采用额外的数据合成技术来提高LCM的精度。
在最终测试中，研究团队的原型成功识别并收集了所有未处理的CB。为了直观展示LCM的性能，团队还绘制了机器人左前脚在X-Y-Z平面中的运动轨迹。实验结果显示，
LCM能够在机器人靠近CB时被激活，并使其在执行着陆事件时更准确地定位在CB附近，而非丢弃的标称位置。
这一成果充分证明了该原型和方法在实际应用中的有效性和可靠性。
参考文章
https://onlinelibrary.wiley.com/doi/10.1002/rob.22350
如需咨询企业合作事宜，欢迎联系堂博士(13810423387，手机与微信同号)进行对接。
