新智元
整合编辑:太平洋科技
发布于:2025-03-23 21:27
波士顿动力发布全新电动Atlas机器人,展示了其强化学习和AI增强的能力。Atlas不仅可以跑、爬,还能翻跟头、跳街舞,并在工厂中完成零件排序任务。这标志着人形机器人技术迈入新时代,具有巨大发展潜力。
|
最近,国内各种人形机器人轮番上阵,效果一个比一个炸裂。 作为人形机器人的老牌玩家,波士顿动力终于还是出手了! 就在昨天,他们放出了一段长达一分钟的演示,只见Atlas不仅能跑、能爬,而且还能翻跟头、跳街舞。 这次,他们用上了利用动作捕捉技术开发的强化学习策略。从视频效果上看,确实「像个人」。
翻跟头跳街舞不在话下 Atlas机器人走路越来越像人了! 不怪他们特别强调其使用了强化学习策略。 看起来没少学习人的走路姿势。
不只是走起来更像人了,Atlas跑起来也更象人类了。 起步前倾开始发力,快到终点时还有减速的动作。
不仅走、跑更像人了,现在连爬都学会了。
除了上述基本的走、跑、爬之外,Atlas还学了一些花活儿。 比如,像下面这样翻个跟头。 只不过这次蹲下去的时候没怎么站稳,差点摔倒了。
不仅能向上面那样翻跟头,还能转过身来翻。 他好像翻跟头之前还调整了一下!
接下来的动作难度就更大了。 Atlas机器人还学会了倒立翻跟头。 这个动作直接把人看傻了!在柔韧的人也无法在空中把腰转过一圈。 同时头的方向没变!
接下来是一段Atlas的传统技能,街舞。 看起来它的这个祖传技能还是没有丢的。
最后一段是一个看起来最高难度的动作,倒立侧翻。 视频中Atlas完成的也是比较轻松。
Atlas是怎么做的 根据国地共建具身智能机器人创新中心学术委员会主任张强的分析,Atlas展现了全尺寸(1.8米级)机器人运动控制领域的三项突破性进展。 首先,基于新型电驱一体化关节结构的强化学习(RL)框架已实现全动作域覆盖,通过轨迹跟踪与动作模仿(mimic RL)技术成功复现人类基础运动模式。 其次,硬件平台验证了基于动画领域高阶表征(AI4Animation/Animation HOI)的机器人动作实例化路径可行性。 最后,系统性工程化能力已构建出可扩展的机器人控制范式,为后续高阶规划器与通用运动控制器(高斯/高斯球算法体系)的研发奠定基础。 当前,几乎所有前沿人形机器人研究者都能意识到全尺寸人形实现这样的强化学习动作模仿意味着什么,如果一条轨迹都可以被跟踪的如此精确和稳定,那么本质上生成模型一切的思想都可以被引入到任意动作生成领域。 当前技术边界主要体现在非结构化环境感知领域:针对动态干涉约束下的主动视觉感知系统(如自由度耦合的布局识别)、端到端在线建图(online mapping)以及基于人类行为表征的感知-动作闭环(human-VLA)等方向仍缺乏理论突破。 动画领域已通过全身控制器研究积累了部分先验知识,面向真实物理世界的具身智能系统还需建立新的感知运动协同框架。 但值得关注的是,现有技术路线已明确硬件架构与基础控制层的收敛方向,产业界将加速推进感知-规划-执行的全栈技术整合,这预示着人形机器人技术将进入非常重要的非线性发展阶段,各家机构的差距会进一步拉大。 Atlas的发展史 Atlas机器人是机器人技术领域的一个标志性项目,主要经历了如下几个发展阶段。 起源Atlas的历史可追溯到美国国防高级研究计划署(DARPA)早期的一个项目——PETMAN(保护整体测试模型)。
早期发展(2013-2015)2013年7月,Atlas首次亮相,作为一个液压双足机器人,最初受DARPA资助,专注于搜索和救援任务。
它最初需要外部电源支持。早期Atlas的主要特点是需要一根长长的线进行供电,早期Atlas身上都会看到一根长长的「电缆尾巴」。 2015年年初,为了参加六月初的DARPA机器人挑战赛,Atlas完成了自己的一次进化。 重新设计后的Atlas得益于「大电池背包」,已经脱离了电缆的束缚。
新版技术阶段(2016) |
IT百科
网友评论
聚超值•精选
