編輯：陳萍
既能四輪奔跑，又能兩輪站立，這個機器人有點厲害。
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。后來，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 公里 / 小時或 13.87 英里 / 小時），能夠克服具有挑戰性的障礙并實現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 公里，能夠克服障礙，兩條腿站立！
Marko Bjelonic 因開發輪腿機器人 ANYmal 而廣受關注，這一項目是 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項目。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。作為一名博士后，Bjelonic 將繼續他的夢想，即通過 Swiss-Mile 公司將輪腿式機器人帶入現實世界的應用中。
從官方視頻來看，Swiss-Mile 機器人用到了軌跡優化技術：將高級任務轉化為動態可行的運動，這些運動存儲在機器人的運動庫中，來自該庫的單個運動進行組合并反饋至 MPC：
其實，對于有腿的機器人來說，輪式與腿式相比具有許多顯著優勢。對于輪式機器人來說，鎖定機器人的輪子，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，與輪式送貨平臺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，越過臺階和樓梯等障礙物，并在室內和室外空間承載重型有效載荷。
ANYmal 機器人
關于 Swiss-Mile 機器人，我們在官網上沒有查到更多的詳細信息，但它是在 ANYmal 機器人的基礎上演化而來。或許通過 ANYmal 機器人的一些技術信息，我們可以推測 Swiss-Mile。
ANYmal 機器人由 ANYbotics 公司打造。ANYbotics 成立于 2016 年，是瑞士蘇黎世聯邦理工學院的衍生公司，致力于開發工業應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，用于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：
該控制器被用于 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并沒有用到攝像頭、激光雷達或接觸式傳感器信息，只依賴本體感受傳感器信號（proprioceptive sensor signal）來提高控制策略在不同地形中的適應性和穩健性。
在模型上，新方法沒有使用在機器人當前狀態的快照上運行的多層感知器（MLP），而是使用了序列模型，特別是感受狀態的時間卷積網絡（TCN）。
之后，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，同時優化車輪和軀干運動。該控制被應用到 ANYmal 輪腿機器人上。
添加了四個輪子的 ANYmal
研究者提出了一個在線軌跡優化（TO）框架，通過將問題分解為單獨的輪子和基本軌跡優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。對于動態一致的運動，該輪式 TO 需要考慮輪子的滾動約束，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 通過計算所有關節的扭矩命令來跟蹤這些運動。該混合運動框架通過以下方式擴展了輪 - 腿機器人的能力。
該框架適用于各種各樣的步態，如靜態穩定步態、動態穩定步態以及 full-flight phase 步態等、
研究者以毫秒為單位切換機器人的兩種運動方式。由于這種切換頻率非常快，機器人可以穩健地對抗無法預知的干擾，使其在現實世界的部署成為可能。
圖 2：運動規劃和控制結構演示。運動計劃基于 ZMP 方法，該方法考慮了優化的輪子軌跡和機器人的狀態。分級 WBC 優化了整體加速和接觸力，追蹤操作空間推理。最后扭矩數據被傳送到機器人處。由于采用分層結構，輪子 TO、基礎 TO 和 WBC 可以實現并行。
圖 3：車輪基本軌跡的草圖。
英文原文：https://spectrum.ieee.org/delivery-robot-anymal
文中動圖截取自：https://www.youtube.com/watch?v=RJyhZUqj3hM
基于Python，利用 NVIDIA TAO Toolkit 和 Deepstream 快速搭建車輛信息識別系統
NVIDIA TAO Toolkit是一個AI工具包，它提供了AI/DL框架的現成接口，能夠更快地構建模型，而不需要編碼。
DeepStream是一個用于構建人工智能應用的流媒體分析工具包。它采用流式數據作為輸入，并使用人工智能和計算機視覺理解環境，將像素轉換為數據。
DeepStream SDK可用于構建視覺應用解決方案，用于智能城市中的交通和行人理解、醫院中的健康和安全監控、零售中的自助檢驗和分析、制造廠中的組件缺陷檢測等
12月14日19:30-21:00，本次分享摘要如下：
介紹 TAO Toolkit 的最新特性；
介紹 NVIDIA Deepstream 的最新特性；
利用 TAO Toolkit 豐富的預訓練模型庫，快速訓練模型；
直接利用 TAO Toolkit 的預訓練模型和 Deepstream 部署應用；
