一个四足机器人已经学会了在沙子上奔跑的速度比人类在坚实的地面上慢跑的速度快。这款快速机器人能耗低，故障少，展示了将数据驱动的学习与准确而简单的模型相结合的价值。

任何沿着沙滩走过的人都知道在沙滩上移动有多难。像其他颗粒材料一样，包括泥土和雪，沙子在脚下产生并流动，直到它们下沉得足够深，然后停止流动并提供稳定的立足点。此外，沙子在撞击后不会反弹，它在让路前可以支撑的重量取决于它的潮湿和紧密程度，从而改变我们的脚在走路时下沉和滑动的程度1.这些复杂性使控制机器人的任务复杂化，使其可以在沙子上运行。根据最新在《科学机器人》上论文报道，韩国大田科学技术院机器人与人工智能实验室Choi等成功地做到了这一点，使四足机器人在沙滩上快速、坚固且精力充沛。

Swift progress for robots over complex terrain (nature.com)

Choi S, Ji G, Park J, Kim H, Mun J, Lee JH, Hwangbo J. Learning quadrupedal locomotion on deformable terrain. Sci Robot. 2023 Jan 25;8(74):eade2256.

几十年来，腿部机器人已经能够在坚实的地面上运行。一些小到可以放在手掌中的机器人甚至在实验室的均匀沙子上这样做了。大腿机器人可以在天然颗粒材料上缓慢行走，但研究人员一直在努力控制有腿的机器人，使它们与动物在沙滩上的奔跑速度相匹配。Choi等人通过整合三种方法实现了每秒3.03米的最高运行速度，实现了这一壮举。

首先，他们使用了强化学习训练他们的机器人最大限度地提高其运行速度，并最大限度地减少故障频率和消耗的能量。为此，他们首先应用了一种称为特权学习的技术，类似于培训老师，以便他们可以有效地教学生。模拟机器人——教师——首先通过从非常大的数据集中学习来训练自己识别最佳控制策略，这需要很长时间。然后，学生机器人从老师已经学到的东西中受益，并且可以使用部分嘈杂的数据在控制策略之间快速切换。在作者的案例中，老师在模拟中学会了如何在不同的沙地条件下跑步，以便学生在遇到真实沙子时能够适应。

其次，为了弥合模拟与现实之间的差距，Choi等人通过模拟具有高度可变的物理特性和承重能力的沙子来训练他们的机器人老师，类似于自然界中发现的沙子（从干到湿，松散到紧密堆积）。这一点很重要，因为机器视觉系统旨在像眼睛一样看待和解释世界，无法可靠地估计具有挑战性的地形的物理特性。例如，机器视觉系统可能会错误地将湿沙的顶层归类为干沙。由于干沙比湿沙更容易流动，这种判断错误会影响机器人的性能。通过将机器人暴露于沙子的可变物理特性中，Choi等人提高了机器人适应不同沙子条件的能力（图1）。

最后，为了训练他们的模拟机器人，作者选择并改进了一个模型，该模型描述了沙子在机器人小脚上撞击时施加的反作用力。该模型不仅足够精确，可以捕获相互作用物理，而且足够简单，可以快速进行模拟，这两者都是作者成功所必需的。

除了实现机器人的卓越性能和稳健性外，Choi及其同事的工作还以将机器学习与模型的集成程度而著称。随着越来越多的工程师渴望使用机器学习和模拟在现实世界中实现更大的机器人移动性，这些作者仍然欣赏通过严格的实验研究开发的模型的价值。他们显然不遗余力地回顾了越来越多的关于在沙子中移动的物体所施加的力的文献;大部分研究来自涉及动物和机器人运动的实验室实验。

这些知识使Choi等人能够理解小脚在快速撞击沙子时对力的细微贡献。其中一个贡献来自沙粒重量施加的摩擦和压力。另一个是由于粒子惯性引起的动力学贡献，这类似于流体中的空气动力学或流体动力阻力。第三个因素 - 瞬态但很大 - 也来自粒子惯性，这是由于沙粒第一次被脚击中时突然加速造成的。作者证明，他们改进的模型（包括所有这些贡献）使机器人能够实现比不太准确（并且仍然经常使用）模型更高的性能和鲁棒性。

需要进一步的研究来改进有腿的机器人，使它们在比沙滩更具挑战性的地形上具有动物般的机动性。当Choi和同事的机器人在沙滩上移动时，只有它的脚下沉了 - 作者使用的简单模型很好地描述了这种情况。然而，如果机器人的腿更深地陷入沙子中，实现这种移动性将更加困难。例如，如果它本身要重得多8或者如果它载有人员或大包裹。如果机器人不断踩入已经受到干扰的沙子中，它也会遇到困难。因为沙子的承载能力会不断变化。它同样难以在陡峭的沙丘上移动，当受到干扰时会雪崩。使机器人能够学会处理这些极端情况需要使用捕获沙子复杂行为的模型来训练它们，例如参考文献中描述的模型，或尚未开发的模型。

Choi及其同事的演示特别有价值和及时，因为数据驱动的学习方法正在变得多么普遍。这些技术已经成功地解决了图像分类、医学诊断、自然语言生成和游戏等问题。但作者的工作提醒我们，好的模型与数据驱动的学习一样重要，可以解决复杂地形中的机器人运动等问题。在沙子等多粒子系统中，出现了不容易从自然基本定律重建的现象。这需要对机器学习可能错过的基本原理和机制进行基础实验研究。以及哪些未经实验验证的模拟可能无法完全捕获。

自主、安全、快速和高效的空中和水下航行器已经成功设计出来，因为我们对空气动力学和流体动力学有基本的了解。Choi等人树立了一个很好的例子，展示了如何在新兴的地球动力学领域的基础上，为穿越自然地形的动物机器人取得同样水平的成功。通过将基础研究与数据驱动的学习和模拟方法相结合。通过这种方式，我们预计在开发可以在所有地形上移动的机器人的目标方面将取得令人兴奋和快速的进展。