发表于：2025年2月25日 /更新，发表于：2025年2月25日 - 作者： Konrad Wolfenstein
从机器人技术中的绊脚石到翻筋斗：AI-Upgrade定义了类人动物技能图像：XPERT.Digital
人形生物的未来：地图集是通过加强学习更智能的
战略合作伙伴关系：波士顿动力学优化了用于实际应用的地图集
在公告中，动态机器人领域的先驱波士顿动力学和机器人与AI研究所（RAI Institute），这是一家在著名机器人专家的指导下的研究机构，波士顿动力学的指导战略伙伴关系。这种合作的宣告目标是在2025年2月正式发现其开始的情况下，是通过使用增强学习（增强学习）的高级类人机器人地图集的技能的重大提高。这种合作不仅有望使地图集变得更加灵活和敏捷，而且还有资格为更广泛的真实应用程序有资格，从而为人形机器人技术的新时代铺平了道路。
适合：
未来面向合作的核心目标
波士顿动态与RAI研究所之间的伙伴关系集中在许多雄心勃勃的目标上，旨在改变地图集的基本技能，并将其从令人印象深刻的研究演示者发展为多样化且实用的工具。这些努力的中心是三个主要领域：
模拟到现实的SIM模型桥梁的桥接：从模拟到现实的方式
机器人技术中最大的挑战之一，尤其是在强化学习领域，是将模拟中学到的技能转移到现实世界中。仿真为训练机器人提供了理想的环境，因为它们可以启用无限量的数据，对环境的完全控制以及模拟具有无风险的危险或成本密集情况的可能性。机器人可以在虚拟世界中进行无数的运动和任务迭代，而不会造成损害或伤害的风险。
另一方面，现实更加复杂和不可预测。物理机器人在一个充满感官噪音，无法预料的疾病，建模不准确的世界和持续的可变性挑战的世界中运作。在完美控制的模拟中起作用的方法可能会在混乱的现实中失败。 “ SIM-TO-REAL-LUCKE”准确地描述了这种差异。
波士顿动力学与RAI研究所之间的伙伴关系为使用创新的方法和算法缩小这一差距的目标。研究人员正在努力开发可靠的运动，不仅在模拟中，而且在现实世界中可靠地发挥作用。这包括更精确地绘制物理现实的高级仿真环境的开发，以及使用诸如域随机化和自适应模拟等技术的使用，以使对模型进行训练的模拟对现实世界中的坚韧不拔。该领域的成功对于利用机器人技术增强学习的全部潜力并在实际的非结构化环境中使用机器人至关重要。
Loco操纵的改进：运动与互动的艺术
定位机车操作的能力，即同时运输和对象的操纵，是机器人的关键能力，应在复杂而动态的环境中起作用。想象一个人形机器人，该机器人可以通过仓库移动以挑选包裹，或者是消除灾区碎屑并同时搜寻幸存者的机器人。在所有这些情况下，机器人不仅可以有效地移动，而且可以同时与周围环境进行交互。
但是，制定先进的Loko操纵策略是一个巨大的挑战。它需要在运动计划，铁路计划，打磨计划和实力水平之间进行密切的协调。机器人必须能够实时将其运动和操纵调整到周围环境不断变化的条件下。
作为合作伙伴关系的一部分，研究人员将制定新的创新策略，以将Atlas Loco的操纵技巧提高到一个新的水平。这包括研究用于同时计划和抓紧计划的算法，开发了操纵各种物体的强大功率控制策略以及将感觉信息集成到控制环中，以快速和适应性的机车操作能够进行反应。改进机车操作是使Atlas成为各种应用程序的真正多功能且有用的工具的关键步骤。
研究全身接触策略：贫穷和腿部的协同作用
像Atlas这样的人形机器人具有与人类运动非常相似的方式移动和相互作用的独特潜力。将整个身体（包括手臂，腿部和机身）整合到复杂运动和任务中的这种能力为机器人技术打开了全新的机会。全身接触策略超越了手臂的简单操纵，并利用手臂和腿部之间的协同作用来实现高性能运动和任务。
想想一个携带重物的人。他不仅用手臂，还利用自己的腿，机身和整个身体来稳定体重，保持平衡并有效地运输物体。同样，类人形机器人应该能够利用自己的整个身体来管理需要手臂和腿部紧密协调的复杂任务。
研究人员专注于开发高性能绩效全身运动和任务的先进监管算法和计划策略。这包括诸如动态跑步，跳跃，攀爬，举重和携带重物，狭窄房间的操纵以及与复杂环境的相互作用等领域。全身接触策略的研究至关重要，为了利用人形生物形态的全部潜力，并开发可以以自然和直观的方式在世界上移动和相互作用的机器人。
这种定向合作的重要性
波士顿动力学与RAI研究所之间的伙伴关系对于机器人技术和AI研究社区至关重要，原因有几个。首先，她结合了机器人技术领域的两个主要组织，每个组织都具有独特的优势和技能。波士顿Dynamics以其令人印象深刻且充满活力的机器人平台（例如Atlas，spot，Handle and Stretch和Stretch）而闻名。在马克·莱伯特（Marc Raibert）的指导下，莱研究所（Rai Institute）为智能机器的顶级技术和使用强化学习的发展带来了数十年的经验。
RAI研究所的创始人Marc Raiber是机器人技术的偶像。作为前波士顿动力学首席执行官，他显着塑造了公司的发展，并生产了世界上一些最令人印象深刻的机器人。机器人研究对他的机器人愿景产生了持久的影响，在现实世界中，它可以像人和动物一样聪明而多才多艺。随着RAI研究所的成立，Raiber继续他的使命，以扩大机器人和AI的可能性限制。
该协作基于较早的联合项目的扎实基础，包括四个腿机器人位置的“强化学习研究人员套件”。该套件使全世界的研究人员能够在现货平台上开发和测试加强学习算法。该套件的成功开发和实施表明，两个组织都能够有效地合作，并在机器人技术的重新执行学习领域开发创新的解决方案。
通过使用加强学习为世界上最先进和最强大的人形机器人之一的地图集，合作伙伴期望人类技能的发展取得重大进展。强化学习提供了训练机器人的潜力，以管理传统编程方法难以实施的复杂任务。它使机器人能够通过与周围环境的互动，适应并不断提高其技能来学习。
波士顿动力学和RAI研究所已承诺发布与Atlas合作的定期更新和演示，以便在公众方面取得人类机器人的进展。这种透明度对于加强对机器人技术和AI研究的信任和促进这些技术的社会接受至关重要。计划的出版物不仅将为科学界提供信息，而且还会激发公众对人形机器人技术的迷人可能性和挑战。
联合研究和发展详细
波士顿动态与RAI研究所之间的合作分为研究与开发的几个核心领域，这些领域紧密相连并相互补充：
为Atlas开发常见的重新遵循学习培训管道
合作伙伴关系的中心是开发最先进的加强学习培训管道，该培训管道是专门针对地图集的需求和技能量身定制的。该管道将构成用于移动操作的动态和可推广行为的基础。它包括增强学习过程的所有步骤，从奖励功能的定义以及选择合适的算法到仿真环境的开发以及数据获取到对真正机器人的验证和转移。
培训管道将是模块化的，以确保灵活性和适应性对各种任务和环境。它将整合强化学习的先进技术，例如深度强化学习，基于模型的强化学习和多代理增强学习，以最大程度地提高培训的效率和鲁棒性。特别的重点将放在奖励功能的发展上，使Atlas能够学习复杂的任务而无需明确指定每个步骤。奖励功能旨在指导机器人发展高效，自然和人类的运动和相互作用。
SIM到现实转移：虚拟和现实世界之间的桥梁
如前所述，SIM到实现的转移是强化机器人技术的最大挑战之一。团队将努力弥合模拟与现实世界之间的差距，并确保在模拟中训练的行为可以成功，可靠地转移到物理硬件上。
这需要一种多层次的方法，其中包括改进仿真环境和鲁棒转移方法的发展。为了更精确地绘制物理现实，包括摩擦，接触，惯性和其他物理效果，可以不断改进模拟环境。同时，诸如域随机化，系统识别和自适应控制等技术用于使模拟中对模拟的模型对现实世界中的坚不可摧具有更具抵抗力。目的是建立从模拟到现实的无缝过渡，以便地图集可以使用虚拟世界中学到的技能，而不会在真实环境中大幅丧失表现。
专注于人类机器人技术未来的关键技能
该合作伙伴关系着重于在真实环境中实际使用类人类机器人至关重要的关键技能的发展和提高：
改进的机车操作：在运动过程中处理物体
地图集将能够在同时移动时操纵门，开关，杠杆，工具和其他对象等对象和设备。这种能力对于从工业自动化到物流到搜索和救援操作的各种应用至关重要。想象一下，阿特拉斯（Atlas）穿过崎rough的地形，同时消除了碎屑或提供维修损坏的结构的工具。
改进的机车操作需要开发算法，该算法协调了运动计划，抓紧计划和实力水平。地图集必须能够使其动作和操纵适应他操纵的物体的形状，大小，重量和性质。此外，他必须能够处理感知和周围地区的不确定性，并动态改编其计划和运动。这些技能的发展将使Atlas成为广泛应用程序的通用性和更有用的工具。
全身接触策略：复杂的运动和重负荷
研究人员专注于发展苛刻的完整运动，这些运动不仅仅是步行和伸手。这包括动态跑步，跳跃，攀爬，举重和携带重物以及狭窄的房间中的操纵。这些技能需要在手臂，腿部和机身之间进行密切的协调，并利用整个身体的协同作用来管理复杂的任务。
动态跑步和跳跃使Atlas能够在不平坦的地形和障碍物上快速有效地移动。攀爬扩大了其范围，并可以进入困难的区域。举起并穿着重物使他成为物流和建筑中的宝贵助手。狭窄的房间中的操纵可以在难以访问或对人类危险的环境中使用。全身接触策略的发展是利用类人动物外形的全部潜力并使Atlas成为真正敏捷且强大的机器人的关键步骤。
实际实施和持续进度控制
波士顿动态与RAI研究所之间的伙伴关系非常重视您的研发工作的透明和以实践为导向的实施：
定期进度报告和示范
波士顿动力学和RAI研究所已承诺发布定期进步的报告，以记录合作的最新发展和成功。这些报告不仅包括进度的书面描述，而且还包括与Atlas的生动示威，这些演示表明了新获得的行动技能。这些演示以视频和演示的形式出版，并可以被科学界和公众访问。
定期更新和演示有几个目的。它们使科学界能够追求人形机器人技术的进步并相互启发。它们促进了对机器人研究的透明度和信任，并有助于增加对这些技术的社会接受。此外，他们还为波士顿动力学和RAI研究所提供了从社区接收反馈并相应调整其研究方向的机会。
合作地点：美国马萨诸塞州
作为合作伙伴关系的一部分的整个研究与发展工作都在马萨诸塞州举行，两个组织都有其总部。这种空间亲密关系促进了研究团队之间的紧密合作和直接交流。来自波士顿动态和RAI学院的团队在共同的实验室工作，并利用两个组织的资源和基础设施。团队和资源的紧密整合是伙伴关系成功的关键因素，并使协同作用可以被使用并有效地促进研究和发展工作。
预期的是Atlas的新技能：探讨人形机器人技术的未来
由于波士顿动力学与RAI研究所之间的伙伴关系，Atlas机器人旨在获得许多开创性的新技能，这将使它成为一种更加通用和有用的工具：
改善的移动性和操纵：运动中的敏捷性和精度
动态运动
在复杂的环境甚至动态场景中，地图集将能够在不平坦的地形上移动更加稳定和液体。这包括跑步，跳跃，攀爬以及实时适应不同表面和条件的能力。高级调节算法和传感器数据融合使动态运动成为可能，该算法允许地图集保持平衡，克服障碍并使其运动适应各自情况。
全身操纵
机器人将实施高级策略以进行全体接触，以便能够精确有效地使用，携带，移动和操纵重物。这需要高度发达的手臂，腿和机身来稳定体重，保持平衡并安全处理物体。全身的操纵将使Atlas能够承担以前仅保留给人们的任务，例如在仓库，建筑工地或灾难区中移动重负荷。
高级环境互动：与世界的智能互动
对象操纵
Atlas应该学会操纵其区域中的各种对象和设备，包括门，开关，杠杆，阀门，工具，容器等。这种能力将使他能够在人类环境中行事，并执行需要与现有基础架构互动的任务。对象操纵需要高级感知技能才能识别，定位和识别对象，以及精致的抓地力和操纵策略，以便安全有效地处理它们。
对材料和结构的适应性
机器人将能够自动而智能地使其强度，速度和动作适应不同的材料和结构，而不会损坏或破坏它们。这对于与现实世界的安全可靠互动至关重要，在这种世界中，机器人将遇到各种表面，材料和物体。适应性是通过使用强度和扭矩传感器，触觉传感器和先进的调节算法来实现的，这些算法使地图集可以实时监视和调整其相互作用。
学习能力和概括：未来创新的基础
通过强化学习更有效地学习：
使用先进的PUR履行学习技术旨在使Atlas能够比以前更快，更有效地学习新技能。这包括开发加速学习的算法，数据
适合：
您的全球营销和业务发展合作伙伴
☑️我们的业务语言是英语或德语
☑️ 新：用您的国家语言进行通信！
康拉德·德军总部
我很乐意作为个人顾问为您和我的团队提供服务。
您可以通过填写此处的联系表，或者直接致电+49 89 89 674 804 （慕尼黑）。我的电子邮件地址是： wolfenstein ∂ xpert.digital
我很期待我们的联合项目。