发布日期：2025年2月25日 / 更新日期：2025年2月25日 – 作者：Konrad Wolfenstein
从磕磕绊绊到机器人技术大获成功：人工智能升级重新定义人形机器人的能力——图片来源：Xpert.Digital
人形机器人的未来：Atlas 通过强化学习变得更加智能
战略合作：波士顿动力公司优化 Atlas 以适应实际应用
动态机器人领域的先驱波士顿动力公司与由著名机器人专家、波士顿动力公司前首席执行官马克·雷伯特领导的研究机构——机器人与人工智能研究所（RAI研究所）宣布建立战略合作伙伴关系。该合作将于2025年2月正式启动，其目标是通过强化学习显著提升先进人形机器人Atlas的性能。此次合作不仅有望使Atlas更加灵活敏捷，还能使其适用于更广泛的实际应用，从而开启人形机器人的新时代。.
适合：
前瞻性合作的关键目标
波士顿动力公司与 RAI 研究所的合作旨在实现一系列雄心勃勃的目标，以提升 Atlas 的基本能力，使其从一款令人印象深刻的研究演示器发展成为一款用途广泛且实用的工具。这些努力主要集中在以下三个方面：
弥合模拟与现实之间的差距：从模拟到现实之路
机器人技术，尤其是强化学习领域，面临的最大挑战之一是如何将仿真环境中习得的技能迁移到现实世界。仿真环境为机器人训练提供了理想的条件，因为它能够提供无限的数据、对环境的完全控制，以及在无风险的情况下模拟危险或代价高昂的场景。机器人可以在虚拟世界中执行无数次的动作和任务迭代，而无需担心自身受到损坏或受伤。.
然而，现实远比这复杂多变。实体机器人运行于一个充满感官噪声、不可预见干扰、模型误差以及持续变化挑战的世界中。在完美控制的模拟环境中行之有效的方法，在混乱的现实中可能失效。“模拟与现实差距”正是对这种差异的精准描述。.
波士顿动力公司与RAI研究所的合作旨在通过创新方法和算法弥合这一差距。研究人员正致力于开发稳健且通用的运动序列，使其不仅在仿真环境中可靠运行，而且在现实世界中也能如此。这包括开发能够更精确地反映物理现实的先进仿真环境，以及采用域随机化和自适应仿真等技术，使在仿真环境中训练的模型能够更好地应对现实世界的不可预测性。该领域的成功对于充分发挥强化学习在机器人领域的潜力以及将机器人部署到真实的非结构化环境中至关重要。.
提升机车操控性能：运动与互动艺术
对于需要在复杂多变的环境中运行的机器人而言，移动操控能力——即同时移动和操控物体的能力——至关重要。试想一下，一个人形机器人穿梭于仓库拣选包裹，或者机器人在灾区清理瓦砾的同时搜寻幸存者。在所有这些场景中，机器人不仅需要高效移动，还需要与周围环境进行互动。.
然而，开发先进的运动操控策略是一项巨大的挑战。它需要运动规划、路径规划、抓取规划和力控制之间的紧密协调。机器人必须能够实时调整其运动和操作，以适应不断变化的环境条件。.
作为合作的一部分，研究人员将开发创新策略，将Atlas的运动操控能力提升到一个新的水平。这包括探索用于同步运动和抓取规划的算法，开发用于操控各种物体的稳健力控制策略，以及将传感器信息集成到控制回路中，以实现响应迅速且自适应的运动操控。提升运动操控能力是使Atlas成为真正适用于各种应用的多功能实用工具的关键一步。.
探索全身接触策略：手臂和腿部的协同作用
像Atlas这样的人形机器人拥有独特的潜力，能够以高度拟真的方式移动和互动。这种将包括手臂、腿部和躯干在内的整个身体整合到复杂动作和任务中的能力，为机器人技术开辟了全新的可能性。全身接触策略超越了简单的手臂操作，充分利用手臂和腿部的协同作用，从而实现高性能的动作和任务。.
想象一下一个人扛着重物。他不仅要用手臂，还要用腿、躯干和整个身体来稳定重量、保持平衡，并高效地搬运重物。同样，人形机器人也应该能够运用全身来完成需要手臂和腿部紧密协调的复杂任务。.
研究人员致力于开发用于高性能全身运动和任务的先进控制算法和规划策略。这包括动态行走、跳跃、攀爬、举起和搬运重物、狭小空间操作以及与复杂环境的交互等领域。对全身接触策略的研究对于充分发挥人形机器人的潜力，以及开发能够以自然直观的方式在现实世界中移动和互动的机器人至关重要。.
这项开创性合作的意义重大
波士顿动力公司与RAI研究所的合作对机器人和人工智能研究界意义重大，原因有以下几点。首先，它将机器人领域的两大领先机构联合起来，双方各有所长，拥有独特的优势和专长。波士顿动力公司以其令人印象深刻且功能强大的机器人平台（例如Atlas、Spot、Handle和Stretch）而享誉全球。RAI研究所由Marc Raibert领导，在开发智能机器的尖端技术以及将强化学习应用于复杂的机器人问题方面拥有数十年的经验。.
RAI研究所的创始人马克·雷伯特是机器人领域的标志性人物。作为波士顿动力公司的前首席执行官，他极大地影响了公司的发展，并创造了一些世界上最令人惊叹的机器人。他设想的机器人能够在现实世界中像人类和动物一样灵活自如地行动，这一愿景对机器人研究产生了深远的影响。如今，雷伯特创立了RAI研究所，继续致力于拓展机器人和人工智能领域的边界。.
此次合作建立在以往联合项目的坚实基础上，其中包括为四足机器人Spot开发的“强化学习研究工具包”。该工具包使全球研究人员能够在Spot平台上开发和测试强化学习算法。该工具包的成功开发和实施表明，双方机构均有能力高效合作，并在机器人强化学习领域开发创新解决方案。.
通过将强化学习应用于世界上最先进、功能最强大的类人机器人之一Atlas，合作伙伴期望在类人机器人能力的开发方面取得显著进展。强化学习有望训练机器人处理传统编程方法难以实现的复杂任务。它使机器人能够通过与环境的互动来学习、适应并不断提升自身能力。.
波士顿动力公司和RAI研究所承诺定期发布关于Atlas项目的最新进展和演示，以便让更多公众了解人形机器人领域的最新进展。这种透明度对于建立公众对机器人和人工智能研究的信任，以及促进公众接受这些技术至关重要。计划发布的资料不仅将为科学界提供信息，还将通过展现人形机器人领域引人入胜的机遇和挑战，激发公众的兴趣。.
联合研发细节
波士顿动力公司与 RAI 研究所的合作分为几个核心研发领域，这些领域紧密联系、相互补充：
为 Atlas 开发共享强化学习训练流程
此次合作的核心在于开发一套先进的强化学习训练流程，该流程专为Atlas的需求和能力量身定制。该流程将为训练用于移动操作的动态且可泛化的行为奠定基础。它涵盖了强化学习过程的所有步骤，从定义奖励函数和选择合适的算法，到开发仿真环境和数据采集，再到验证学习到的行为并将其迁移到真实机器人上。.
训练流程将采用模块化设计，以确保其灵活性和对不同任务及环境的适应性。它将集成先进的强化学习技术，例如深度强化学习、基于模型的强化学习和多智能体强化学习，以最大限度地提高训练效率和鲁棒性。重点在于开发奖励函数，使Atlas能够在无需明确定义每个步骤的情况下学习复杂任务。这些奖励函数将引导机器人发展出高效、自然且类人的运动和交互方式。.
模拟到现实的转换：连接虚拟世界和现实世界的桥梁
如前所述，从仿真环境到现实世界的迁移是机器人强化学习面临的最大挑战之一。各团队将全力以赴，弥合仿真环境与现实世界之间的差距，确保在仿真环境中训练出的行为能够成功可靠地迁移到物理硬件上。.
这需要采用多层次的方法，包括改进仿真环境和开发稳健的迁移方法。仿真环境会不断改进，以更准确地反映物理现实，包括摩擦、接触、惯性和其他物理效应的建模。同时，还会采用域随机化、系统辨识和自适应控制等技术，使在仿真环境中训练的模型能够更好地应对现实世界的不确定性。最终目标是实现从仿真到现实的无缝过渡，使 Atlas 能够在不显著降低性能的情况下，将虚拟世界中习得的技能应用于现实世界环境。.
聚焦未来人形机器人关键技能
该合作项目致力于开发和改进人形机器人实际应用于现实世界环境所必需的关键能力：
改进的机车操控：在移动过程中操控物体
Atlas应该能够在移动的同时操控门、开关、控制杆、工具和其他物品等物体和设备。这项能力对于从工业自动化和物流到搜救行动等各种应用都至关重要。想象一下，Atlas在崎岖地形中穿梭，同时还能清理碎片或操作工具修复受损结构。.
改进的运动操控需要开发能够实时协调运动规划、抓取规划和力控制的算法。Atlas 必须能够根据所操控物体的形状、大小、重量和纹理调整其运动和操控方式。此外，它还必须能够应对感知和环境中的不确定性，动态调整其计划和运动。这些能力的提升将使 Atlas 成为用途更加广泛、功能更加强大的工具。.
全身接触策略：复杂动作和重负荷
研究人员致力于开发超越简单行走和抓握的复杂全身运动。这些运动包括动态奔跑、跳跃、攀爬、举起和搬运重物，以及在狭小空间内进行操作。这些能力需要手臂、腿部和躯干之间的密切协调，并利用全身协同作用来完成复杂的任务。.
动态行走和跳跃能力使Atlas能够快速高效地穿越崎岖地形并越过障碍物。攀爬能力拓展了它的活动范围，使其能够到达难以触及的区域。举起和搬运重物使其成为物流和建筑领域的重要工具。在狭小空间内的操控能力使其能够在人类难以进入或危险的环境中发挥作用。开发全身接触策略是充分发挥人形机器人潜能、使Atlas成为真正敏捷且功能强大的机器人的关键一步。.
实际执行和持续进度监测
波士顿动力公司与 RAI 研究所的合作非常重视研发工作的透明化和实践导向型实施：
定期进度报告和演示
波士顿动力公司和RAI研究所承诺定期发布进展报告，记录双方合作的最新进展和成果。这些报告不仅包含对进展的文字描述，还将提供使用Atlas的演示视频，展示新掌握的技能的实际应用。这些演示视频将以视频和演示文稿的形式发布，供科学界和公众观看。.
定期更新和演示活动有多重意义。它们使科学界能够追踪人形机器人技术的最新进展并相互启发；它们促进机器人研究的透明度和信任度，并有助于提高公众对这些技术的接受度；此外，它们还为波士顿动力公司和机器人与人工智能研究所 (RAI Institute) 提供了接收来自业界反馈并据此调整研究方向的机会。.
合作地点：美国马萨诸塞州
该合作项目的所有研发工作均在马萨诸塞州进行，两家机构的总部也设于此。地理位置上的接近促进了研究团队之间的密切合作和直接交流。波士顿动力公司和RAI研究所的团队在共享实验室工作，并利用两家机构的资源和基础设施。团队和资源的紧密整合是合作成功的关键因素，能够充分发挥协同效应，高效推进研发工作。.
Atlas 的预期新功能：展望人形机器人的未来
通过波士顿动力公司和 RAI 研究所的合作，Atlas 机器人有望获得一系列突破性的新功能，使其成为更加多功能和有用的工具：
提升移动性和操控性：运动中的敏捷性和精准性
动态运动
Atlas 将能够在崎岖地形、复杂环境乃至动态场景中更加稳定流畅地移动。这包括行走、跳跃、攀爬，以及实时适应不同表面和条件的能力。先进的控制算法和传感器数据融合技术实现了动态运动，使 Atlas 能够保持平衡、克服障碍物并根据具体情况调整运动。.
全身操控
这款机器人将采用先进的全身接触策略，精准高效地举起、搬运、移动和操控重物。这需要手臂、腿部和躯干高度协调，以稳定重量、保持平衡并安全地处理物体。全身操控技术将使Atlas能够执行以往只有人类才能完成的任务，例如在仓库、建筑工地或灾区搬运重物。.
增强环境互动：与世界的智能互动
对象操作
阿特拉斯将学会操控周围环境中的各种物体和设备，包括门、开关、拉杆、阀门、工具、容器等等。这项能力将使他能够在人类环境中活动，并完成需要与现有基础设施互动的任务。操控物体需要高级感知技能来检测、定位和识别物体，以及复杂的抓取和操控策略来安全高效地处理它们。.
对材料和结构的适应性
这款机器人能够自动智能地调整其作用力、速度和运动方式，以适应不同的材料和结构，而不会对其造成损坏。这对于在现实世界中安全可靠地进行交互至关重要，因为机器人会遇到各种各样的表面、材料和物体。这种适应性是通过使用力矩传感器、触觉传感器和先进的控制算法实现的，使Atlas能够实时监测并调整其交互过程。.
学习能力和概括能力：未来创新的基础
通过强化学习提高学习效率：
通过运用先进的强化学习技术，Atlas 将能够比以往更快、更高效地学习新技能。这包括开发能够加速学习和处理数据的算法。
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！
Konrad Wolfenstein
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。