Atlas 人形機器人突破體力工作能力——強化學習賦予真實物理智能

Atlas 人形機器人突破體力工作能力

Boston Dynamics 日前公開一支引人矚目的影片：Atlas 人形機器人將軀幹旋轉 180 度，蹲下舉起一台小冰箱，再將其搬到等待的工程師身邊。這個動作看似簡單，但背後涵蓋了機器人學領域的重大突破——不僅展現了人形機器人在力量、全身協調與本體感覺回饋上的整合應用，更揭示了強化學習如何賦予機器人在真實世界中的「物理智能」。

為繁重工作量身打造

Boston Dynamics 的機器人家族各有所長。Stretch 機器人能在高溫環境下自主卸載滿載 23 公斤箱子的貨車；Spot 機器人則每天在精確的時間點進行廠房巡檢，捕捉異常訊號。相比之下，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，成為通用型體力工作工具。

Atlas 在今年 1 月公開亮相後短短數週內，便在力量、機動性與全身協調控制方面，展現出前所未有的性能表現。

重新定義「物理智能」

搬運冰箱這個簡單動作，揭露了人形機器人訓練的核心難點。傳統機器人行為架構多以視覺回饋驅動、依賴輕量級接觸（如指尖），難以應對真正的重體力工作。

真正的體力工作需要重新定義『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。同樣地，Atlas 必須學會透過本體感覺（proprioception）來感知物體特性，而非僅依賴視覺。

Atlas 採用強化學習來練習搬運冰箱——在模擬環境中以大量不同版本的冰箱反覆訓練。訓練策略已學會適應各種變數：冰箱位置、質量、地面摩擦力、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。

硬體設計的巧思

Atlas 的硬體同樣獨樹一幟，設計目標不僅是高性能，更是大規模量產所需的簡潔性與可靠度：

• 僅採用兩種致動器：集中資源提升效率，同時降低成本。所有致動器為旋轉式，易於精確建模，是高性能強化學習訓練的關鍵。
• 完全對稱設計：左右腿、左右臂完全相同，肩部到肩部、骨盆到骨盆的結構對稱。
• 致動器無限旋轉：透過消除跨關節電纜線，徹底移除故障根源，同時降低維護成本，並賦予 Atlas 更高效獨特的動作方式。
• 前後對稱腳部：向前與向後移動能力相同。
• 現場可更換單元（FRU）：手臂、腿部、手部、頭部均可在數分鐘內完成更換。

倒立與後空翻等看似炫技的動作，實則測試熱管理與動作遷移能力。這些高難度動作訓練了機器人如何在受限空間內運用動作範圍、如何從跌倒中恢復——這些技能在高溫工業環境中同樣關鍵。

訓練流程與模擬保真度

Atlas 的訓練流程涵蓋五個階段：

1. 參考軌跡：從簡單動畫作為起點，充分發揮機器人超越人類的動作範圍。
2. 獎勵設定：設定機器人貼近動畫完成任務的目標，並對冰箱施加推拉干擾。
3. 模擬訓練：在多顆 GPU 上並行進行數百萬小時的模擬練習。
4. 真實機器人測試：在實體硬體上進行測試，不斷發現與修正。
5. 迭代優化：根據真實機器人表現數據，回到訓練流程進行調整。

Atlas 最重要的改進之一，是其模擬環境的高保真度。縮小模擬與現實差距的關鍵因素包括：

• 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。
• 領域隨機化：在訓練中隨機調整冰箱重量（50–70 磅範圍訓練）、地板摩擦力、馬達強度等參數。實測中，機器人成功搬運了總重超過 100 磅的滿載冰箱，證明策略的泛化能力。
• 嚴謹流程：硬體設計、維修技師、機器人操作員等團隊的緊密協作，共同支撐可靠性。

Boston Dynamics 的目標是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這個速度，但 Atlas 掌握該動作的速度遠超預期，標誌著通用型體力工作機器人的實現已近在咫尺。