人形機器人（humanoid robot）是人類的化身，它可以在運動學上穿越崎岖的地形、進入狹窄的通道和狹小的空間，可以移動物體、到達高處，以及完成臨時爆炸裝置響應（improvised explosive device，IED) 等許多其它任務。本文我們讨論的是 NASA 的 Valkyrie 人形機器人，圖 1 是 IEEE Spectrum 實地通路 NASA 的約翰遜航天中心（Johnson Space Center，JSC）所拍攝到的最新的 Valkyrie。
圖 1. Valkyrie. Photo: Evan Ackerman/IEEE Spectrum[1]
JSC 成立于 1961 年，JSC 的科學和工程活動一直圍繞着 NASA 的載人航天計劃。即使在今天，太空飛行仍然是一項極其危險的嘗試。是以，近年來 JSC 緻力于設計和開發能夠與人類進行互動的人形機器人，這種機器人與在太空中工作的人類具有同樣的力量和速度。這個機器人将作為宇航員的助手在宇航員附近工作 [12]。
上世紀 90 年代中期，當這個研究項目被構想出來時，人類與機器人一起工作還隻是一個剛剛開始在學術實驗室探索的新概念。為了證明機器人使用人類工具的有效性，人們建構了一個名為 DART 的雙臂試驗台。到 1999 年，在美國國防部進階研究計劃局 (Defense Advanced Research Projects Agency，DARPA) 的幫助下，「靈巧機器人實驗室」(Dexterous Robotics Laboratory，DRL) 建造了它的第一個上肢類人系統——Robonaut 1 (R1)。從這開始，DRL 逐漸成為一個世界著名的機器人實驗室，設計和裝備了十多個獨特的機器人平台。我們最為熟知的要數 Robonaut2（R2）。R2 擁有人類的軀幹、頭部和臂部，目前正在國際空間站執行被人類熟知的帶有高危險度「太空行走」活動，即艙外活動 (EVA) 時可以使用相關工具及工具作業系統等。R2 在太空中的微重力環境下有很多優點，但卻不适合在地球上走動。
Robonaut 2 (R2) 是一個誕生于通用汽車 (GM) 和 NASA 之間非常成功的公私合作開發的機器人。R2 全身共包含 42 個自由度（degrees of freedom，DOF）。其中，每隻手臂 7 個自由度，頸部 3 個自由度，每隻手 12 個自由度，腰部 1 個自由度（見圖 2（a））。最近，R2 接受了「攀登腿」形式的移動更新，這将使它能夠在國際空間站内活動并擴充其操作能力，這也是 2012 年之前最早期的 Valkyrie 的版本（見圖 2（b））。
圖 2. R2 圖示 [12]
Valkyrie 并不是為太空設計的機器人，而是一個為地球上的災難場景設計的機器人。關于 Valkyrie 的設計目的，該項目負責人是這樣介紹的：
「NASA 的空間探索目标是到達火星，為了到達火星，NASA 很可能會先于人類探險家派出機器人。當人類到達時，這些機器人就能夠和人類一起工作。Valkyrie 将會被用于探索火星的項目中」[1]；「NASA 緻力于現在和未來的人形機器人的操作和能力創新，特别是與太空探索任務相關的任務執行。NASA 對人形機器人的興趣來源于它們潛在的能夠高效操作裝置的能力，以及它們作為宇航員助手有效運作的能力。NASA 對在極端太空環境中使用人形機器人的興趣，也與類似機器人在救災等地面應用中的潛在用途相重疊。」[2]
Valkyrie 遠不止是一個有着雙腿的 R2 的更新版本。R2 已經開始探索有監督的自主性，而 Valkyrie 則能夠在更嚴格的延遲和帶寬限制下完成任務，這意味着它更加智能，擁有大量的嵌入式智能。Valkyrie 是一個全新的機器人，擁有全新的技術、全新的獨特的外觀。Valkyrie 具有行走、平衡和操縱能力，關于 Valkyrie 的研究集中在發展複雜的行為，進而提高雙足人形機器人的自主性。那麼，Valkyrie 究竟與 R2 有什麼差別呢？
一、Valkyrie 與 R2 的差別
Valkyrie 全身共包含 44 個自由度。其中手臂擁有七個自由度，手腕和手都能完成動作，每個手有三個手指和一個拇指，是以它的手部有六個自由度。它有一個可以傾斜和旋轉的三個自由度的頭部，一個可以旋轉的三個自由度的腰部（軀幹），六個自由度的腿，配備有六個軸力扭矩傳感器的腳。手臂、軀幹和腿部都有串聯彈性制動器 (series elastic actuators，SEA)。這些制動器能夠實作扭矩控制，帶寬高達 70Hz，其中，頸部是由位置控制的，肌腱驅動的手指則是由電流控制的。除了 SEA 中的絕對位置編碼器、增量編碼器和彈簧偏轉傳感器，機器人在骨盆和軀幹位置使用微應變慣性測量單元 (inertial measurement unit，IMU) 傳感器，在每隻腳的腳底使用一個 ATI 力扭矩 (F / T) 用于估計壓力中心（center-of-pressure，COP），以及用于雷射雷達和立體資料的多傳感器。
與 NASA 之前的機器人不同，Valkyrie 采用電池供電，無需系電纜即可運作。背包裡的可移動電池可以支撐一個小時，更換電池隻需要幾分鐘時間。此外，Valkyrie 的四肢也可以移除，更換手臂隻需幾分鐘，因為左臂和右臂的構造是完全一樣的，甚至可以直接将左臂換成右臂。Valkyrie 配備了數量驚人的傳感器：攝像頭和雷射雷達在頭部，更多的攝像頭和聲納在腹部，還有更多的攝像頭在前臂、膝蓋和腳上。傳感器采集到的資料并不會同時傳送給 Valkyrie 的操作員，而是根據目前任務判斷哪個傳感器的資料最為重要，将最重要的資料盡快傳送給操作員，這有助于 Valkyrie 快速、高效的遠端完成自主工作。
R2 和 Valkyrie 都選擇了分散控制方案，但直到 Valkyrie 項目才産生了分散控制方案所要求的「完美轉矩源」。R2 采用比例導數控制回路，獲得良好的轉矩跟蹤結果。然而，它并不能調節每個執行器中監測到的擾動。研究人員在改進 Valkyrie 的嵌入式控制性能方面做了大量的工作，改進了串聯彈性驅動 (Series elastic actuation，SEA) 技術。擾動觀測器 (Disturbance observers，DOBs) 在面對可變慣性載荷等擾動時，能夠顯著增強 SEA 的力矩跟蹤能力。
R2 中使用了一個定制開發的馬達控制闆，叫做「超級駕駛員（Superdriver）」。它由現場可程式設計門陣列 (FPGA) 組成，其中嵌入了與三相逆變器耦合的 PowerPC 處理器。這種在單闆上的組合允許它操作電機換向和電流控制、聯合資料和指令的序列化和反序列化以及傳感器處理。這個設計後來被改進為 R2 移動更新的攀登腿。在此基礎上，引入渦輪噴氣發動機（Turbordriver）将超級驅動器的功能重新包裝成兩個獨立的印刷電路闆，包含高壓驅動電路和一個邏輯闆來處理傳感器、嵌入式控制算法和與中央控制計算機的通信，以及一個 FPGA 來處理電機換相。然後将兩塊闆堆疊在一起，減少了整體的占地面積，并允許每塊闆适應特定的項目需求。在 Valkyrie 項目中，仍然使用渦輪發動機的子產品化設計，動力闆經過重新設計，包括一個強制空氣冷卻的電橋，能夠提供超過 30A 連續和 60A 的短時間高扭矩。雖然 R2 的爬升腿的所有關節都專門使用了渦輪驅動器，但 Valkyrie 在大多數主要關節上使用了渦輪驅動器，而在更小的關節 (如手腕、手和脖子) 上使用的是其他定制闆。
設計 R2 的航空電子結構是為了減少互相連接配接，特别是那些跨越自由度的連接配接，由此創造了 Robonet。Robonet 是一個高速、雙線、多點資料網絡，遵循主從通信協定。Robonet 将超級或渦輪發動機連接配接到主節點的通道。其中，一個通道專門用于一個肢體的兩線導體。主節點通過 PCI (R2) 和 PCI express (Valkyrie) 連接配接到主要計算機并在 FPGA 上實作。資料通過 PCI 總線調用 (R2)，或者使用直接記憶體通路（direct memory access，DMA) 和專用共享記憶體區域從主機 PC 傳輸到 Valkyrie 的使用者空間。Robonet 協定類似内部內建電路（Inter-integrated Circuit，I2C）協定。更新到 Valkyrie 之後，每個記憶體位址都可以以 1khz 的速度更新，每個通道可以達到 4MB/s。
二、Valkyrie 中的算法和技術
當我們了解了這些差別，就讓我們一起再來看看，Valkyrie 中究竟應用了哪些算法和技術。
1、行走和操作
Valkyrie 使用一個二次規劃（Quadratic Program, QP）作為基于動量的全身控制算法 [13]。QP 最早被應用于 Boston Dynamics 的 Atlas 機器人的步行算法，其主要目的是：機器人邁出一步以後，基于動量的全身控制算法計算出下一步可用的立足點。QP 的輸入是期望的運動動作、可接受的外力、任務空間的加速度，通過跟蹤一個期望的質心動量變化率并最小化關節加速度和接觸力，實作目标函數優化。QP 算法的目标函數為：
其中 A 為質心動量矩陣（centroidal momentum matrix，CMM），Wg 為重力扳手，W_gr,i 為由于身體和環境的接觸而施加在機器人身體上的地面反作用力扳手，W_ext,i 為施加在機器人身上的其它外力。QP 的輸出 v 是一個用于計算所需的執行器扭矩的關節加速度矢量和接觸扳手。QP 輸出後續被用于使用逆動力學算法計算所需的關節力矩。使用 QP 優化全身控制算法，能夠在支撐面有限的情況下尋找到機器人穩健的落腳點，進而大大提升了機器人的平衡性。
Atlas 控制行走和平衡是通過瞬時捕獲點（Instantaneous Capture Point，ICP）實作的，而 Valkyrie 則是通過捕獲點（Capture Point, CP）實作的 [14]。ICP 用于計算 QP 的期望動量率，而基于 CP 的行走控制具有監控軌迹安全執行和暫停潛在不安全行走軌迹的穩定性特性。此外，Valkyrie 還提供了各種進階接口，如任務空間和聯合空間的樣條軌迹生成、規劃工具箱、控制模式改變等，以幫助指揮機器人。
2、感覺和導航
Valkyrie 操作員通過放置一個路點來發送移動指令，以明确 Valkyrie 的期望目的地。為了滿足臨時爆炸裝置響應 IED 任務的要求，Valkyrie 需要在不平坦的地形中穿過，例如碎片場、樓梯和岩石壁架等無法使用輪子或架設軌道的地形，需要仔細選擇落腳點，以使得人形機器人可以在這些地形中移動。是以 Valkyrie 中利用了一個地形分割（Terrain Segmentation）算法來分割 點雲所代表的不同區域：
一、地形分割
首先，算法通過聚合指定時間周期内的 LIDAR 點雲資料得到地形資料。然後，分割環境中可周遊的平面區域 [3,11]。地形分割算法包括三個主要步驟，分别為 1）曲面法向估計與濾波；2）平面區域分割；3）多邊形形狀拟合與排序。具體介紹如下：
1）曲面法向估計與濾波
首先，應用 Voxel grid 體素網格下采樣濾波器限定在點雲中采樣的密度上限。濾波器的輸出是一個無組織的點雲，其中每個點是輸入點雲中體素網格每個單元的點的質心。地面（Ground）定義為點雲中最低的可見表面，使用高度坐标的第 5 個百分位數進行估計。接下來，使用一種穩健的方法進行曲面法向估計，該方法使用 RANSAC 平面拟合來恢複保留銳角特征的估計。最後，根據曲面法線，過濾這些點以使其僅保持在α水準度範圍内。較陡的區域被認為是足迹不可達到的位置，是以可以被過濾掉。圖 3 給出了使用有向箭頭标注的由兩種不同的估計算法（最小二乘法和 RANSAC 平面拟合法）計算的曲面法線圖示，其中綠色塊表示地面的真實地形幾何圖 [3]。左圖為使用最小二乘法平面拟合法標明鄰域内的所有點來估計曲面法線，其結果生成了圓角。右圖則為使用 RANSAC 模組化的結果，該方法的拟合結果能夠保留銳角特征的估計。
圖 3. 曲面法線圖
2）平面區域分割
平面區域由點雲鄰域定義，其中點位置和曲面法向估計都在距平面的誤差距離内，并共同定義平面。确定平面是一個疊代過程，平面估計随着相鄰點添加到集合中而更新
其中 Ri 為平面區域，每個點 p_n 當滿足在垂直于平面估計 Pi 的距離小于ε_d 時，添加到集合中。平面區域分割函數傳回一個标簽映射，該标簽映射将輸入點雲中的點指定給它們各自的平面區域 id。圖 4 為地形平面區域分割的實驗結果。其中，左圖為繪制平面多邊形的凸包，主要用于在移除地面并按法線過濾後計算的區域分段，該圖中僅保留坡度小于 25 度的區域。右圖為進行區域增長處理後的結果，該圖無需執行過濾操作，能夠生成垂直牆和其他區域的分段。
圖 4. 地形平面區域分割的實驗結果
3）多邊形形狀拟合與排序
利用前面分割步驟得到的區域映射來計算三個空間中的平面多邊形形狀。形狀将被處理為凸區域，以便輸入到足迹規劃器。對于每個區域，點是相對于區域的局部平面估計的坐标系寫入的。通過将第三個分量歸零，可以将這些點轉換為一組二維點。利用卡尺算法計算投影點的二維凸包，用它來拟合最小面積邊界矩形。最後，連接配接凸面外殼和邊界矩形弧将其轉換回三維表示以進行可視化。使用機器人的站姿架構作為參考架構來定義矩形形狀的标準方向。姿态幀是每個腳幀的平均位置和方向，其中 X 軸向前，Z 軸向上。
二、啟發式搜尋導航
完成平面區域分割後，基于機器人的目前姿态和航路點，使用 A規劃尋找到達目的地的腳步序列 [4]。令 s=（x，y，θ），其中θ表示偏航參數。A是一種有限圖的搜尋算法，通常用于已知 2D 栅格地圖中的路徑規劃。該算法在啟發式函數 h 的指導下，通過最優搜尋從一個起始狀态 s_start 到目标狀态 s_target，其中 h(s,s』) 生成從狀态 s 到狀态 s』的代價函數估計。啟發式算法對環境中的實際代價了解得越多，則擴充狀态的數目越少，是以 A搜尋的效率就越高。
在基于 A的基礎上，引入 D算法作為一種計算最優路徑的增量式啟發式搜尋方法。使用 D基于增量進行最優路徑搜尋，要比從頭開始重複規劃新路徑效率高出幾個數量級。D的搜尋方向為從目标狀态 s_goal 到初始狀态 s_start 的反序，通過遞歸選擇提取最優路徑 s'如下：
其中 g(s) 為通路各個狀态的代價函數，c(s,s』) 表示從狀态 s 轉移到 s』的代價。每次遞歸選擇時，并不更新全部狀态的 g(s)，而僅對相關狀态進行處理。在處理隊列和擴充狀态時，D通過連接配接 s_start 和 s_goal 的狀态更新最佳路徑的估計成本。使用啟發式 h 來估計從每個狀态到 s_start 的成本。同樣，在每條邊的代價改變後更新最優路徑的代價。
為了解決在 A+D圖搜尋時的沖突問題，使用可伸縮的 3D 邊界框來模拟機器人，并在邊界框和被分割的平面區域之間進行沖突檢查。路點導航規劃的輸出是一個無沖突的腳步序列。
3、進階目标執行
使用 Affordance Theory（AT）定義機器人的編碼政策，通過一系列在這些對象幀中定義的末端效應路點軌迹和姿态位置來操作對象 [5]。
首先我們來讨論什麼是承擔性（Affordance）。承擔性最早由 Gibson 提出，所謂承擔性理論（Affordance Theory）是一種描述賦予環境功能價值的認知結構的手段，即自然環境中所的物質，本身實體屬性的組合能與生物之間存在某種對應關系。他認為物件的所有承擔特質是可以被直覺到的，其訊息是直接表現于視覺中的。而大多數的物件擁有一種以上的用途，人們将物件用于何種行為，取決于人們的心理狀态。例如，如果感覺環境的某一區域提供了「坐」的水準平面，可以讓機器人坐在上面。其中機器人可以通過學習，把之前識别的區域和「坐」的 affordance 聯系起來。
圖 5. AT 圖.（a）顯示了自動測試系統的一般結構;（b）顯示模闆縮放方法
圖 5 給出一個 AT 的模闆結構示例。AT 是一個有向非循環圖，每一個路點序列代表一組末端效應器配置，遵循這些配置可實作 AT 的預期任務。如果要将特定模闆應用于 Valkyrie 的雙手動系統，則該模闆中的航路點被配置設定一個末端效應器 ID「0」或「1」，前者映射到機器人的左手，後者映射到其右手。抓握姿勢将類似地映射到常見的配置，如「手閉」或「手開」。如圖 6(a) 中，每個路點标記為 wp_<ee_id>:<seq_id>，其中<ee_id>為末端執行器 ID，<seq_id>為末端執行器的路點序列 ID。
操作員使用 AT 将對象的參數化表示注冊/對齊到點雲資料，使機器人能夠在對象上執行操縱軌迹。此外，使用狀态機對操作的公共序列和決策過程進行編碼。結合 AT 和狀态機，操作員隻需向機器人發送進階指令，就可以實作所需的操作目标 [6]。
架構方面，Valkyrie 使用 TRACLabs 開發的一個名為 CRAFTSMAN(基于笛卡爾的可視性操作模闆套件) 的軟體套件，進行任務和物體操作以及工具使用的運動規劃。CRAFTSMAN 的整體架構如圖 6，其中 Affordace Templates 層為上文分析過的 AT。
圖 6. CRAFTSMAN 系統結構
給定一個笛卡爾末端執行器目标、目标公差設定和任務遵從性 (或調節) 要求，TRAC IK 層為一個更高水準的笛卡爾運動規劃器提供了反向運動學（Inverse Kinematics, IK）解決方案。Cartesian Motion Planner 層作為輸入端執行器的目标位姿，以及這些位姿上的公差、次要目标，疊代調用 TRAC IK 以提供一個有保證的笛卡爾運動工作空間。
Robot Interaction Tools 層的主要目的是彌補 Cartesian Motion Planner 層和應用層之間的差距。Robot Interaction Tools 層允許應用程式指定笛卡爾目标和需求——通過遠端操作員 (通過 RViz3D 互動環境) 或通過可視性模闆層（AT）實作——并在機器人硬體上執行産生的計劃。CRAFTSMAN 還提供了一個互動式控制台，允許遠端操作者指定某些參數，關于互動式控件節點的示範可見
https://youtu.be/COpq03PHdi8。
4、自動對象注冊
由于對齊 AT 對操作員來說可能很耗時，是以建立了一個對象注冊方案來自動将已知對象網格模型與雷射雷達點雲資料進行比對 [7]。Valkyrie 使用 ICP(Iterative Corre-spondingPoint) 算法進行資料比對。ICP 是以幾何和顔色為基礎的三維模型對齊的主要方法。ICP 從兩個網格和它們的相對剛體變換的初始猜測開始，通過在網格上重複生成對應點對并最小化誤差度量來疊代細化變換。可以通過各種方法來完成初始對準比對，例如跟蹤掃描器位置、表面特征的辨別和索引、「自旋圖像」表面簽名、掃描的主軸、窮舉搜尋對應點或使用者輸入等。
在對其比對的過程中，将最小化誤差表示為一個非最小二乘優化問題，并輸入到 Ceres solver 中（Ceres：
http://ceres-solver.org/）。這種方法的優點是使用了拟牛頓梯度下降法（Quasi-Newton Gradient Descent Approach），可以更好地避免局部極小值。
5、任務空間控制和存儲姿态
對上述空間規劃的結果進一步附加任務空間控制，當移動或操縱計劃器發生故障時，此功能尤其必要。對于 Valkyrie 的手，使用了一個快速的線上 IK 解決方案來預覽使用者指定的末端執行器的姿态 [8]。當給定機器人的配置時，IK 為機器人的末端執行器提供一組達到所需笛卡爾姿勢的關節值。IK 的求解有解析求解法和數值求解法兩種。其中，解析求解法不适用實際應用以及需要更改機器人配置的場景；數值求解法依賴于局部逆雅可比的頻繁運作時間近似，進而生成接近所需笛卡爾解的聯合解，數值 IK 方法使用牛頓法或類似方法疊代，具有更好的适用性。目前，應用于機器人的最常用的數值 IK 實作是 Orocos 運動學和動力學庫（Kinematics and Dynamics Library，KDL）中的關節極限限制僞逆 Jacobian 算子（KDL:
http://www.orocos.org/wiki/orocos/kdl-wiki/.）。
給定種子 q_seed（通常為目前關節值），可以使用正向運動學 (Forward Kinematics) 計算:1）種子的笛卡爾姿勢，2）種子姿勢和目标姿勢之間的笛卡爾誤差向量 p_err，3）定義笛卡爾空間中相對于目前關節值的偏導數的雅可比 J。逆 Jacobian(J.^-1) 定義了關節空間相對于笛卡爾空間的偏導數。通過疊代函數求解 IK 解
其中，使用正向動力學 q_next 計算 p_err。當 p_err 中全部值滿足終止規則，目前得到的向量 q 為 IK 結果。在真實場景中直接求解上式，仍存在很多問題，可以通過重新實作 KDL 算子來解決，進而提供更可用的 API 和更健壯的計算行為。
對于 Valkyrie 的腳，可以預覽和執行一系列使用者指定的腳踏着陸配置。骨盆位置和軀幹方向的滑塊也可以進一步利用全身配置。最後，使用者還可以為常見的配置加載存儲的姿态。
三、Valkyrie 的任務完成情況
最後，讓我們看看 Valkyrie 的任務完成情況吧。基于上面介紹的算法和技術，我們重點來看 Valkyrie 能夠完成的臨時爆炸裝置響應（IED）的任務。圖 7 給出的是主要運動任務的拼貼圖。最上面一排的子圖 (a) 顯示了操作人員的視圖，其中包含了凹凸不平的地形任務和窄間隙任務的疊加平面區域和規劃的步道。通過使用上面介紹的方法，Valkyrie 能夠在探測到的平面區域捕捉到想要的腳步，避免不安全的腳踏闆，如坑洞等，并規劃通過狹窄通道的路徑。中間和底部的 (b) 和 (c) 子圖分别顯示了橫過不均勻地形和穿越窄間隙的快照序列。
圖 7. 主要運動任務的拼貼圖
圖 8 給出 IED 響應操作任務的拼貼圖，包括 (a) 開門，(b) 開門，(c) 取包，(d) 總安全殼（Total Containment Vessel, TCV）置袋，(e) TCV 托盤推送，(f) TCV 按鈕推送序列。
圖 8. IED 響應操作任務的拼貼圖
展望未來，人形機器人将成為拆彈社群的寶貴資源。目前開展的關于 Valkyrie 機器人的可行性研究奠定了一個有效的性能基準 [9]。關于機器人墜落的穩健性和恢複仍然是最終現場部署的一個重大挑戰，這一點可能會危及整個任務的成功。針對時間緊迫的任務，仍需要增加操作人員的吞吐量和附加的闆載自主性。現有的研究成果和已經報道的關于 Valkyrie 的能力為人形機器人在 IED 應用中的持續進步提供了堅實的基礎。
分析師介紹：仵冀穎，工學博士，畢業于北京交通大學，曾分别于香港中文大學和香港科技大學擔任助理研究員和研究助理，現從事電子政務領域資訊化新技術研究工作。主要研究方向為模式識别、計算機視覺，愛好科研，希望能保持學習、不斷進步。
本文參考引用的文獻如下：[1] Evan Ackerman (https://spectrum.ieee.org/author/ackerman-evan-), NASA JSC Unveils Valkyrie DRC Robot,
https://spectrum.ieee.org/automaton/robotics/military-robots/nasa-jsc-unveils-valkyrie-drc-robot.[2] Evan Ackerman, NASA Wants Help Training Valkyrie Robots to Go to Mars,
https://spectrum.ieee.org/automaton/robotics/humanoids/nasa-wants-help-training-valkyrie-robot-to-go-to-mars.[3]J. P. Marion,「Perception methods for continuous humanoid locomotion over uneven terrain,」Master』s thesis, Massachusetts Institute ofTechnology, 2016.[4] J. Garimort, A. Hornung, and M. Bennewitz,「Humanoid navigation with dynamic footstep plans,」in2011 IEEE International Conferenceon Robotics and Automation. IEEE, 2011, pp. 3982–3987.[18] [5]S. Hart, P. Dinh, and K. Hambuchen,「The affordance template ROS package for robot task programming,」in 2015 IEEE international conference on robotics and automation (ICRA). IEEE, 2015, pp.6227–6234.[6] P. Beeson, S. Hart, and S. Gee,「Cartesian motion planning & task programming with craftsman,」in Robotics: Science and Systems Workshop on Task and Motion Planning, 2016.[7] S. Rusinkiewicz and M. Levoy,「Efficient variants of the icp algorithm.」in 3dim, vol. 1, 2001, pp. 145–152.[8] P. Beeson and B. Ames,「Tracik: An open-source library for improved solving of generic inverse kinematics,」in 2015 IEEE-RAS 15th International Conference on Humanoid Robots (Humanoids). IEEE, 2015, pp. 928–935.[9] Steven Jens Jorgensen, Michael W. Lanighan, Sylvain S. Bertrand, et al. Deploying the NASA Valkyrie Humanoid for IED Response: An Initial Approach and Evaluation Summary
https://arxiv.org/pdf/1910.00761.pdf.[10] Russ Tedrake. Drake: A planning, control, and analysis toolbox for nonlinear dynamical systems, 2014.[11] Robin Deits and Russ Tedrake. Footstep planning on uneven terrain with mixed integer convex optimization. In IEEE/RSJ Int. Conf. on Humanoid Robots, Madrid, Spain, 2014.[12] Yamokoski, John, and Nicolaus Radford. "Robonaut, Valkyrie, and NASA Robots." Humanoid Robotics: A Reference (2019): 201-214.[13] T. Koolen, S. Bertrand, G. Thomas, T. De Boer, T. Wu, J. Smith, J. Englsberger, and J. Pratt,「Design of a momentum-based control framework and application to the humanoid robot atlas,」International Journal of Humanoid Robotics, vol. 13, no. 01, p. 1650007, 2016.[14] T. Koolen, T. De Boer, J. Rebula, A. Goswami, and J. Pratt,「Capturability-based analysis and control of legged locomotion, part 1: Theory and application to three simple gait models,」The International Journal of Robotics Research, vol. 31, no. 9, pp. 1094–1113, 2012.