訓練人形機器人執行重體力工作

本文由 Atlas 機器人行為總監 Alberto Rodriguez、研究工程師 Shane Rozen-Levy 及 Vinay Kamidi 共同撰寫。

這款人形機器人前所未見。在 Boston Dynamics 最新發布的影片中，有些事情一目了然：Atlas® 機器人將軀幹旋轉 180 度，蹲下舉起一台小冰箱，再將它搬到一位悠閒等待的工程師身邊。而影片中較不明顯的細節，是機器人充分運用手臂、雙腿與軀幹來應對這個連人類都覺得費力的搬運動作；更多不為鏡頭所見的，則是這套行為的開發速度與高度還原性。

這確實是令人耳目一新的景象，但我們為何要這麼做？

為繁重工作而生的機器人家族

Boston Dynamics 的其他機器人各有所長。Stretch® 機器人能在高溫環境下自主卸載滿載 23 公斤（50 磅）箱子的貨車；Spot® 機器人則每天按照相同路線、在精確的時間點進行廠房巡檢，捕捉最早期的異常訊號。這些工作雖然枯燥，卻需要高度細心——這正是 Stretch 與 Spot 每天提供的價值。

Atlas 的目標更為廣泛，鎖定工廠、倉庫或建築工地等場景，需具備高強度的力量、耐力與靈巧性。我們正在將 Atlas 打造為一款通用型體力工作工具。要在真實環境中達到所需的性能與可靠度，無論硬體或行為控制都必須實現跨越式的突破。

本次展示的動作序列，正是一項刻意設計的實驗，呈現了兩方面的重要進展。在 Atlas 今年 1 月公開亮相後短短數週內，我們便在人形機器人的力量、機動性與全身協調控制方面，展現出前所未有的性能表現。

面向真實世界的「物理智能」

近年來，機器人行為架構已出現根本性的轉變——以示範數據驅動，並具備初步的泛化能力。這是實現人形機器人價值的關鍵：具備適應性、學習快速、易於重新指派任務。

然而，當前主流方法也存在一些限制：

• 過度依賴持續的視覺回饋來引導控制循環
• 只透過極有限的接觸面（主要是手指甚至指尖）與環境互動
• 幾乎只專注於輕量級任務

真正的體力工作，尤其是高強度的搬重工作，需要我們重新定義「物理智能」的內涵。 人類搬運物體時，會用身體任何部位來分擔重量，並透過觸覺感知來適應物體的形狀、質量與硬度。

你不可能只靠眼睛看著冰箱、用雙手就把它搬起來。你必須事先預判重量、身體前傾、讓整個身體配合冰箱的形狀與重量，並在過程中不斷調整。真正的力氣，是在互動中發揮出來的。

Atlas 採用**強化學習（RL）**來練習搬運冰箱的動作——在模擬環境中以大量不同版本的冰箱反覆訓練。最困難的部分不是「看到」冰箱或「知道」如何搬，而是學會適應現實世界中可能遇到的各種冰箱狀況。

這是一個融合控制與感知的問題，感知則透過機器人的**本體感覺（proprioception）**隱性完成。驅動行為的策略（policy）已學會適應各種變數：冰箱位置、質量、地面與冰箱的摩擦力、冰箱在軀幹與手臂之間的落點位置等。這種適應能力，正是物理智能最基本的組成要素之一。

硬體設計的突破

本次展示的硬體同樣獨樹一幟。這一代 Atlas 不僅在機動性與力量方面專為真實工作設計，更具備大規模量產所需的簡潔性與可靠度。

以下是幾項乍看不易察覺的設計亮點：

• 僅採用兩種致動器（actuator）：有助於集中資源提升效率與性能，同時降低成本。所有致動器均為旋轉式，在模擬中更容易精確建模，是高性能 RL 訓練的關鍵。
• 盡量重複使用相同子系統：左右腿、左右臂完全相同；肩部到肩部、骨盆到骨盆的結構也完全對稱。
• 致動器可無限旋轉：透過消除跨關節的電纜線，徹底移除致動器故障的主要根源，同時降低客戶的維護成本，並賦予 Atlas 更高效的獨特動作方式。
• 前後對稱的腳部設計：Atlas 向前與向後移動的能力完全相同。
• 手臂、腿部、手部、頭部均為現場可更換單元（FRU）：可在數分鐘內完成更換。

搬運小冰箱的任務展示了力量、全身協調與本體感覺回饋的整合應用，可作為工業場景（如製造業中需要兩人合力搬運的重型物品）的性能基準。

而看似不那麼實用的動作——例如倒立和後空翻——也有其意義：這些動作之所以能在重達 90 公斤（198 磅）的機器人上實現，正是因為我們擁有出色的熱管理能力，代表 Atlas 未來也能在高溫環境中持續工作。這些行為同時訓練了可遷移的技能：如何敏捷地移動並保持平衡、如何在受限空間內充分運用動作範圍、如何從跌倒中恢復。

訓練流程解析

Atlas 作為產品與研究平台，目標之一是能在一天之內完成新行為的訓練與部署。本次冰箱搬運示範雖然未達到這個速度，但 Atlas 掌握這個動作的速度遠超預期。

訓練流程如下：

1. 參考軌跡（Reference）：訓練新行為時，首先需要一段參考軌跡——可以是遠程操控的示範、動畫軌跡，或描述更抽象的目標。搬冰箱任務以簡單動畫作為起點，充分發揮 Atlas 超越人類的動作範圍。
2. 獎勵設定（Reward）：設定目標，要求機器人盡量貼近動畫完成任務，並建立獎勵機制——保持冰箱在夾持器中的位置與方向，同時對機器人和冰箱施加推拉干擾，讓策略在受到擾動時仍能專注於主任務。
3. 模擬訓練（Simulation）：Atlas 在多顆 GPU 上並行進行數百萬小時的模擬練習，學習適應冰箱的各種變化。
4. 真實機器人測試（Real Robot）：模擬效果達標後，在實體硬體上進行測試。Boston Dynamics 一貫秉持「造出來、壓垮它、再修好」的精神，在以 AI 為核心的現代研究中依然如此。模擬終究有其極限，只有在硬體上測試才能真正精進。
5. 迭代優化（Iteration）：取得真實機器人的表現數據後，回到訓練流程進行調整，強化行為的穩定性。

縮小模擬與現實的差距

企業版 Atlas 最重要的改進之一，是其模擬環境的高保真度——模擬與現實之間的差距極小，使得訓練、測試與迭代都能快速進行。一般來說，行為在模擬中表現良好，在真實機器人上也會有同樣的表現。

縮小這一差距的關鍵因素：

• 高保真硬體：平台僅使用兩種高效能致動器，設計完全對稱，使機器人能在模擬中被精確建模，部署時幾乎不會出現保真度問題。
• 領域隨機化（Domain Randomization）：在訓練過程中隨機調整冰箱重量、地板摩擦力、馬達強度等參數，讓策略更能應對真實世界的變數。例如，搬冰箱的策略訓練範圍設定在 50–70 磅，但機器人成功搬運了總重超過 100 磅的滿載冰箱。測試時冰箱內裝有各種物品，重量不均且在移動中會偏移——這些雜訊都由訓練完善的策略自行處理，無需工程師介入。
• 人員與流程：嚴謹的研發流程，以及硬體設計、維修技師、機器人操作員等團隊的緊密協作，共同支撐起 Atlas 的可靠性與持續精進。

關於手部設計的補充說明

本次冰箱實驗及體操示範中使用的夾持器，並非 Boston Dynamics 最新一代的手部設計——而是過去一年半來持續使用的主力型夾持器，強度足以支撐倒立時機器人 90 公斤（198 磅）的全身重量。目前我們已開始測試更靈巧的新型夾持器，敬請期待後續更新。

---

本文原刊載於 Boston Dynamics 官方部落格。

---

原文來源： 查看原文