Boston Dynamics and the Robotics & AI Institute (RAI Institute)-Från snubblar ner till Saltos: Atlas 'AI-Upgrade, humanoidfärdigheter omdefinieras omdefinieras

Strategiskt partnerskap: Boston Dynamics optimerar Atlas för riktiga applikationer

I ett tillkännagivande, Boston Dynamics, en pionjär inom området dynamisk robot och Robotics & AI Institute (Rai Institute), ett forskningsinstitution under ledning av den kända roboteksperten och tidigare VD: er för Boston Dynamics, tillkännagav Marc Raibert ett strategiskt partnerskap. Det deklarerade målet med detta samarbete, som officiellt hittade sin start i februari 2025, är den betydande förbättringen av färdigheterna hos den avancerade humanoidrobotatlasen genom att använda förstärkningsinlärning (förstärkande inlärning). Detta samarbete lovar inte bara att göra Atlas mer flexibel och smidig, utan också att kvalificera det för ett bredare spektrum av verkliga applikationer och därmed bana väg för en ny era av humanoidrobotik.

Lämplig för detta:

• Humanoider och dynamiska robotar som robotik - Jämförelsen: Atlas av Boston Dynamics och Walker X från UBTech

Kärnmål för framtida orienterat samarbete

Partnerskapet mellan Boston Dynamics och Rai Institute fokuserar på ett antal ambitiösa mål som syftar till att förändra Atlas grundläggande färdigheter och att utveckla den från en imponerande forskningsdemonstrator till ett varierat och praktiskt verktyg. I mitten av dessa ansträngningar finns tre huvudområden:

Överbryggningen av det sim-till-verkliga gapet: Vägen från simuleringen till verkligheten

En av de största utmaningarna inom robotik, särskilt inom området för förstärkningslärande, är överföring av färdigheter som lärs i simuleringar till den verkliga världen. Simuleringar erbjuder en idealisk miljö för utbildningsrobotar eftersom de möjliggör obegränsade mängder data, fullständig kontroll över miljön och möjligheten att simulera farliga eller kostnadsintensiva scenarier med risk -fri. Roboter kan utföra otaliga iterationer av rörelser och uppgifter i virtuella världar utan risk för skador eller skador.

Verkligheten är å andra sidan mycket mer komplex och oförutsägbar. Fysiska robotar arbetar i en värld full av sensoriskt brus, oförutsedda störningar, felaktigheter i modellering och den ständiga utmaningen med variation. Det som fungerar i en perfekt kontrollerad simulering kan misslyckas i kaotisk verklighet. "Sim-to-Real-Lücke" beskriver exakt denna avvikelse.

Partnerskapet mellan Boston Dynamics och Rai Institute har satt sig själv målet att stänga detta gap med innovativa metoder och algoritmer. Forskarna arbetar med att utveckla robusta och generaliserbara rörelser som arbetar pålitligt inte bara i simulering utan också i den verkliga världen. Detta inkluderar utvecklingen av avancerade simuleringsmiljöer som kartlägger den fysiska verkligheten mer exakt, liksom användningen av tekniker som domän -randomisering och adaptiv simulering för att göra modellerna tränade i simuleringar mer motståndskraftiga mot den verkliga världen. Framgången inom detta område är avgörande för att utnyttja den fulla potentialen för förstärkningslärande för robotik och använda robotar i riktiga, ostrukturerade miljöer.

Förbättring av loco -manipulation: Konsten för rörelse och interaktion

Förmågan att hitta loco -manipulation, dvs samtidigt transport och manipulation av föremål, är en viktig förmåga för robotar som bör fungera i komplexa och dynamiska miljöer. Föreställ dig en humanoidrobot som rör sig genom ett lager för att välja paket, eller en robot som eliminerar skräp i en katastrofzon och samtidigt söker efter överlevande. I alla dessa scenarier är det viktigt att roboten inte bara rör sig effektivt utan också kan interagera med omgivningen samtidigt.

Utvecklingen av avancerade Loko -manipulationsstrategier är emellertid en enorm utmaning. Det kräver nära samordning mellan rörelseplanering, järnvägsplanering, gripande planering och styrka. Roboten måste kunna anpassa sina rörelser och manipulationer till de ständigt föränderliga förhållandena i omgivningen i realtid.

Som en del av partnerskapet kommer forskarna att utveckla nya och innovativa strategier för att höja Atlas Loco -manipulationsförmåga till en ny nivå. Detta inkluderar att undersöka algoritmer för samtidig planering och gripande planering, utvecklingen av robusta kraftkontrollstrategier för manipulation av olika objekt och integration av sensorisk information i kontrollslingan för att möjliggöra reaktionsfast och adaptiv loco -manipulation. Förbättringen av loco -manipulation är ett avgörande steg för att göra Atlas till ett riktigt mångsidigt och användbart verktyg för en mängd olika applikationer.

Forskning om kontaktstrategier i hela kroppen: Synergin av fattiga och ben

Humanoidrobotar som Atlas har den unika potentialen att röra sig och interagera på ett sätt som liknar mänsklig rörelse. Denna förmåga att integrera hela kroppen, inklusive armar, ben och flygkropp, i komplexa rörelser och uppgifter, öppnar helt nya möjligheter för robotik. Kontaktstrategier för alla kroppar går utöver enkel manipulation med armarna och använder synergin mellan armar och ben för att möjliggöra högpresterande rörelser och uppgifter.

Tänk på en person som bär ett tungt föremål. Han använder inte bara armarna, utan också hans ben, hans flygkropp och hela kroppen för att stabilisera vikten, för att hålla balansen och transportera föremålet effektivt. På liknande sätt bör humanoidrobotar kunna använda hela kroppen för att hantera komplexa uppgifter som kräver nära samordning mellan armarna och benen.

Forskarna fokuserar på utvecklingen av avancerade regleringsalgoritmer och planeringsstrategier för högpresterande kroppsrörelser och uppgifter. Detta inkluderar områden som dynamisk löpning, hoppning, klättring, lyft och bär tunga föremål, manipulation i trånga rum och interaktionen med komplexa miljöer. Forskningen av kontaktstrategier i hela kroppen är av avgörande betydelse för att utnyttja den fulla potentialen för humanoidformfaktorn och för att utveckla robotar som kan röra sig och interagera i världen på ett naturligt och intuitivt sätt.

Betydelsen av detta riktningssamarbete

Partnerskapet mellan Boston Dynamics och RAI Institute är av enorm betydelse för robotik och AI -forskarsamhället av flera skäl. Först kombinerar hon två ledande organisationer inom robotområdet, var och en med unika styrkor och färdigheter. Boston Dynamics är känd över hela världen för sina imponerande och dynamiska robotplattformar som atlas, plats, handtag och stretch. RAI -institutet under ledning av Marc Raibert ger decennier av erfarenhet av utveckling av toppteknologier för intelligenta maskiner och i användningen av förstärkningslärande till komplexa robotproblem.

Marc Raiber, grundaren av Rai Institute, är en ikon för robotik. Som tidigare Boston Dynamics VD har han betydligt utformat utvecklingen av företaget och producerat några av de mest imponerande robotarna i världen. Robotikforskning har haft en varaktig inverkan på hans vision om robotar, som kan röra sig lika smart och mångsidig i den verkliga världen som människor och djur. Med grundandet av Rai Institute fortsätter Raiber sitt uppdrag att utöka gränserna för det möjliga inom robotik och AI.

Samarbetet är baserat på en solid grund av tidigare gemensamma projekt, inklusive ”förstärkningsinlärningsforskarpaket” för den fyra -geggade robotplatsen. Detta kit gör det möjligt för forskare över hela världen att utveckla och testa armering av inlärningsalgoritmer på spotplattformen. Den framgångsrika utvecklingen och implementeringen av detta kit har visat att båda organisationerna kan samarbeta effektivt och utveckla innovativa lösningar inom området för att lära sig för robotik.

Genom att använda förstärkningslärande till Atlas, en av de mest avancerade och kraftfulla humanoidrobotarna i världen, förväntar sig partners betydande framsteg i utvecklingen av humanoidfärdigheter. Armeringsinlärning erbjuder potentialen att utbilda robotar, att hantera komplexa uppgifter som skulle vara svåra att implementera med traditionella programmeringsmetoder. Det gör det möjligt för robotar att lära sig genom interaktion med sina omgivningar, anpassa sig och kontinuerligt förbättra sina färdigheter.

Boston Dynamics och Rai Institute har åtagit sig att publicera regelbundna uppdateringar och demonstrationer av deras arbete med Atlas för att göra framsteg inom humanoidrobotik som är tillgängliga för allmänheten. Denna transparens är viktig för att stärka förtroendet för robotik och AI -forskning och för att främja social acceptans för dessa tekniker. De planerade publikationerna kommer inte bara att informera det vetenskapliga samfundet, utan också inspirera allmänheten för de fascinerande möjligheterna och utmaningarna för humanoidrobotik.

Gemensam forskning och utveckling i detalj

Samarbetet mellan Boston Dynamics och Rai Institute är indelat i flera kärnområden för forskning och utveckling, som är nära kopplade och kompletterar varandra:

Utveckling av en gemensam återföljande lärande av lärande av lärande för Atlas för Atlas för Atlas

I centrum av partnerskapet är utvecklingen av en modern förstärkning av lärande av lärande av lärande, som är speciellt anpassad till Atlas behov och färdigheter. Denna pipeline kommer att utgöra grunden för att träna dynamiskt och generaliserbart beteende för mobil manipulation. Det inkluderar alla steg i förstärkningsinlärningsprocessen, från definitionen av belöningsfunktioner och valet av lämpliga algoritmer till utvecklingen av simuleringsmiljöer och datainsamling till validering och överföring av det lärda beteendet på den verkliga roboten.

Träningsrörledningen kommer att vara modulär för att säkerställa flexibilitet och anpassningsförmåga till olika uppgifter och miljöer. Det kommer att integrera avancerade tekniker för förstärkningsinlärning, såsom djup förstärkningsinlärning, modellbaserad förstärkningsinlärning och multi-agent armeringsinlärning för att maximera träningens effektivitet och robusthet. Ett särskilt fokus kommer att vara på utveckling av belöningsfunktioner som gör det möjligt för Atlas att lära sig komplexa uppgifter utan att uttryckligen ange varje steg. Belöningsfunktionerna är avsedda att vägleda roboten för att utveckla effektiva, naturliga och mänskliga rörelser och interaktioner.

Sim-to-verklig överföring: bron mellan virtuell och verklig värld

Som redan nämnts är SIM-till-verklig överföring en av de största utmaningarna inom förstärkningslärande för robotik. Lagen kommer att arbeta intensivt för att överbrygga klyftan mellan simuleringar och den verkliga världen och se till att beteendet som tränas i simuleringar kan framgångsrikt och pålitligt överföras till den fysiska hårdvaran.

Detta kräver en metod med flera skikt, som inkluderar förbättring av simuleringsmiljöerna och utvecklingen av robusta överföringsmetoder. Simuleringsmiljöerna förbättras kontinuerligt för att kartlägga den fysiska verkligheten mer exakt, inklusive modellering av friktion, kontakt, tröghet och andra fysiska effekter. Samtidigt används tekniker som domän -randomisering, systemidentifiering och adaptiv kontroll för att göra modellerna tränade i simuleringar mer resistenta mot den verkliga världen. Målet är att skapa en sömlös övergång från simuleringen till verkligheten, så att Atlas kan använda de färdigheter som lärs i den virtuella världen utan betydande förlust av prestanda i verkliga miljöer.

Fokusera på nyckelfärdigheter för framtiden för humanoidrobotik

Partnerskapet fokuserar på utveckling och förbättring av nyckelfärdigheter som är avgörande för praktisk användning av humanoidrobotar i verkliga miljöer:

Förbättrad loco -manipulation: Hantera föremål under rörelse

Atlas ska kunna manipulera föremål och enheter som dörrar, switchar, spakar, verktyg och andra föremål när de rör sig samtidigt. Denna förmåga är avgörande för en mängd olika applikationer, från industriell automatisering till logistik till sök- och räddningsoperationer. Föreställ dig Atlas, som rör sig genom en grov terräng och elimineras samtidigt skräp eller serverar verktyg för att reparera en skadad struktur.

Den förbättrade loco -manipulationen kräver utveckling av algoritmer, som koordinerar rörelseplanering, gripande planering och styrka i realtid. Atlas måste kunna anpassa sina rörelser och manipulationer till formen, storleken, vikten och naturen hos de föremål som han manipulerar. Dessutom måste han kunna hantera osäkerheter i uppfattningen och det omgivande området och dynamiskt anpassa sina planer och rörelser. Utvecklingen av dessa färdigheter kommer att göra Atlas till ett mycket mer mångsidigt och mer användbart verktyg för ett brett utbud av applikationer.

Hela kroppskontaktstrategier: komplexa rörelser och tunga belastningar

Forskarna fokuserar på utvecklingen av krävande rörelser i hela kroppen som går utöver enkel att gå och nå. Detta inkluderar dynamisk löpning, hoppning, klättring, lyft och bär tunga föremål och manipulation i trånga rum. Dessa färdigheter kräver nära samordning mellan armar, ben och flygkropp och använder hela kroppens synergi för att hantera komplexa uppgifter.

Dynamisk löpning och hoppning gör det möjligt för Atlas att röra sig snabbt och effektivt i ojämn terräng och över hinder. Klättring utvidgar sitt sortiment och möjliggör tillgång till svåra områden. Att lyfta och bära tunga föremål gör honom till en värdefull hjälper inom logistik och konstruktion. Manipulation i trånga rum möjliggör användning i miljöer som är svåra att komma åt eller farliga för människor. Utvecklingen av kontaktstrategier i hela kroppen är ett avgörande steg för att utnyttja den fulla potentialen för humanoidformfaktorn och göra Atlas till en riktigt smidig och kraftfull robot.

Praktisk implementering och kontinuerlig framstegskontroll

Partnerskapet mellan Boston Dynamics och Rai Institute lägger stor vikt vid ett transparent och praktikorienterat implementering av ditt forsknings- och utvecklingsarbete:

Regelbundna framstegsrapporter och demonstrationer

Boston Dynamics och Rai Institute har åtagit sig att publicera regelbundet framstegsrapporter som dokumenterar den senaste utvecklingen och framgången för samarbetet. Dessa rapporter kommer inte bara att inkludera skriftliga beskrivningar av framsteg, utan också livliga demonstrationer med Atlas, som visar de nyförvärvade färdigheterna i handling. Dessa demonstrationer publiceras i form av videor och presentationer och görs tillgängliga för det vetenskapliga samfundet och allmänheten.

De regelbundna uppdateringarna och demonstrationerna tjänar flera syften. De gör det möjligt för det vetenskapliga samfundet att fortsätta framstegen inom humanoidrobotik och inspirera varandra. De främjar öppenhet och förtroende för robotforskning och hjälper till att öka social acceptans för dessa tekniker. Dessutom erbjuder de Boston Dynamics och Rai Institute möjlighet att få feedback från samhället och anpassa sin forskningsriktning i enlighet därmed.

Plats för samarbete: Massachusetts, USA

Hela forsknings- och utvecklingsarbetet som en del av partnerskapet äger rum i Massachusetts, där båda organisationerna har sitt huvudkontor. Denna rumsliga närhet främjar ett nära samarbete och direkt utbyte mellan forskarteamen. Teamen från Boston Dynamics och RAI Institute arbetar i vanliga laboratorier och använder resurser och infrastrukturer i båda organisationerna. Denna nära integration av team och resurser är en avgörande faktor för partnerskapets framgång och gör det möjligt att använda synergier och effektivt främja forsknings- och utvecklingsarbete.

Förväntade nya färdigheter i Atlas: En titt på framtiden för humanoidrobotik

På grund av partnerskapet mellan Boston Dynamics och Rai Institute är Atlas -roboten avsedd att få ett antal banbrytande nya färdigheter som gör det till ett ännu mer mångsidigt och användbart verktyg.

Förbättrad rörlighet och manipulation: smidighet och precision i rörelse

Dynamisk rörelse

Atlas ska kunna röra sig ännu mer stabil och flytande i ojämn terräng, i komplexa miljöer och till och med i dynamiska scenarier. Detta inkluderar löpning, hoppning, klättring och förmågan att anpassa sig till olika ytor och förhållanden i realtid. Den dynamiska rörelsen möjliggörs av avancerade regleringsalgoritmer och sensordatafusion som gör att Atlas kan hålla balansen, övervinna hinder och anpassa sina rörelser till respektive situation.

Hela kroppen manipulation

Roboten kommer att implementera avancerade strategier för fullkroppskontakt för att kunna använda, bära, flytta och manipulera tunga föremål exakt och effektivt. Detta kräver en mycket utvecklad samordning av vapen, ben och flygkropp för att stabilisera vikten, för att hålla balansen och hantera föremålen på ett säkert sätt. Helkroppsmanipulationen gör det möjligt för Atlas att ta på sig uppgifter som tidigare endast var reserverade för människor, till exempel att flytta tunga belastningar i lager, på byggplatser eller i katastrofzoner.

Avancerad miljöinteraktion: Intelligent interaktion med världen

Objektmanipulation

Atlas bör lära sig att manipulera olika föremål och enheter i dess område, inklusive dörrar, switchar, spakar, ventiler, verktyg, containrar och mycket mer. Denna förmåga kommer att göra det möjligt för honom att agera i mänskliga miljöer och utföra uppgifter som kräver interaktion med den befintliga infrastrukturen. Objektmanipulation kräver avancerade uppfattningsförmågor för att känna igen, hitta och identifiera objekt, såväl som sofistikerade gripnings- och manipulationsstrategier för att hantera dem säkert och effektivt.

Anpassningsförmåga till material och strukturer

Roboten kan automatiskt och intelligent anpassa sin styrka, hastighet och rörelser till olika material och strukturer utan att skada eller förstöra dem. Detta är avgörande för säker och pålitlig interaktion med den verkliga världen, där robotar kommer att möta olika ytor, material och föremål. Anpassningsförmågan uppnås genom användning av styrka och vridmomentsensorer, taktila sensorer och avancerade regleringsalgoritmer som gör det möjligt för Atlas att övervaka och anpassa sina interaktioner i realtid.

Inlärningsförmåga och generalisering: Grunden för framtida innovationer

Mer effektivt lärande genom förstärkningslärande:

Användningen av avancerade rengöringstekniker är avsedd att göra det möjligt för Atlas att lära sig nya färdigheter mycket snabbare och mer effektivt än tidigare. Detta inkluderar utvecklingen av algoritmer som påskyndar lärande, data

Lämplig för detta:

• Humanoidrobotar i jämförelse: Tesla Optimus, Boston Dynamics Atlas, Agility Robotics Digit och Unitree G1
• Modellen prediktiv kontroll vid Boston Dynamics robotar och vilka industriella applikationer är särskilt effektiva med Spot och Atlas?

☑ Vårt affärsspråk är engelska eller tyska

☑ Nytt: korrespondens på ditt nationella språk!

Konrad Wolfenstein

Jag är glad att vara tillgänglig för dig och mitt team som personlig konsult.

Du kan kontakta mig genom att fylla i kontaktformuläret eller helt enkelt ringa mig på +49 89 674 804 (München) . Min e -postadress är: Wolfenstein ∂ xpert.digital

Jag ser fram emot vårt gemensamma projekt.

☑ SME -stöd i strategi, rådgivning, planering och implementering

☑ skapande eller omjustering av den digitala strategin och digitaliseringen

☑ Expansion och optimering av de internationella försäljningsprocesserna

☑ Globala och digitala B2B -handelsplattformar

☑ Pioneer Business Development / Marketing / PR / Measure