并非耸人听闻，波士顿动力确实实力超群，他们最近推出了一段影像资料，令我印象极为深刻，这堪称是我至今所见最为震撼的仿人机械，观看影像

波士顿动力已经展示了，能够培养出具备多工种、受语言指令引导的算法模型，用以操控自家的 Atlas仿生机器人，执行那些既要求移动能力，又需要全身精细操作的持续性工作。这种依靠数据训练的技术途径具有普适性，几乎能够适配所有可以通过远程示范来教授的操作工作。

波士顿动力的目标十分远大，从一开始就立志打造全功能型人形机器人，该机构认为未来的人形机器人必须具备多项高难度能力，它们不仅要能灵活地处理各种物体（例如硬质/软质、沉重/轻巧、刚性/活动式、大型/小型），还要通过全身协作来调整体态、改变环境、规避阻碍，并且能够在突发状况下维持稳定平衡。使机器人具备这些技能，并最终达成人形机器人的广泛部署，打造通用型智能机器人是当前最有效的途径

波士顿动力公司近期为旗下Atlas人形机器人开发了一项创新举措，具体内容是构建了名为Large Behavior Models的新式高级行为系统，该系统旨在提升机器人的综合动作表现能力

LBMs属于一种自始至终的、依据语言指令运作的方案模型，这种模型能够使Atlas执行需要长远规划的复杂操作任务

该模型善于发挥人形机器人的特殊才能，例如：它能够稳健行走、准确落地、灵活屈膝、调整平衡、防止自身碰撞等。调查表明，上述各项技能对于处理现实环境中的移动作业都极为必要。

构建策略模型的过程，主要包含四个基本步骤：

借助远程控制手段，在实体机器人与虚拟场景中，采集具体动作信息

这些数据需要经过加工、标记和挑选，以便能够便捷地纳入人工智能运算环节

整合所有任务获取的全部信息，用以构建一个综合性的神经网络策略框架

4. 使用一套专门的测试任务来评估这个策略模型的表现。

第四步的评估信息，会作为后续决策的依据，例如明确哪些额外信息需要补充，又或者应当改进哪种网络构造或推理方法，以便进一步优化表现

这套方法，能够把视觉信号、身体感知以及语音指令这些数据，变换成引导整个 Atlas 机械人每秒执行三十次动作的操控信号。科研工作者运用了一种融合了流匹配代价的扩散式Transformer体系来培养模型

在整个实践过程中，遵循了三大核心原则：

实现全面任务处理能力： 从理论上讲，仿人机器人的工作范畴非常宽广。然而，采集超出固定位置作业界限的、品质精良且反馈迅速的动态信息，相当困难。因此，科研人员研发了一款先进的远程操控系统，该系统精妙地融合了 Atlas 设备自身功能强大的模型预测控制器以及一套专门设计的虚拟现实交互界面，可以执行从手指尖精细动作到全身性移动和抓取等多样化工作

证明通用策略模型效果显著：大量实例证实，在规模庞大且种类繁多的任务数据集中训练出的通用策略模型，其适应新情况与重新调整的能力，远远强于那些仅针对少数特定任务进行训练的专业模型。设计多任务、指令控制的策略模型，使其能够处理多种不同工作，并且能够适配多种机器人类型。汇集完整 Atlas 机器人、仅含上半身的 Atlas 操作测试平台，以及丰田研究院拉面机器人项目的相关资料。建立通用策略模型有助于简化部署环节，并且能够实现不同任务与机器人形态间改进成果的共享，从而朝着解锁涌现性功能的目标迈进。

建立能够支持敏捷开发与规范科研的运行环境：迅速核实构思的可行性非常重要，而可靠地评估不同策略模型优劣则是实现持续进步的核心。借助集成模拟实验、实体装置验证及工业级人工智能系统，专家们可以高效率地研究数据与模型架构，并不断改善机器人在现实场景中的作业能力

长远规划、端到端的操作能力

这个工作充分体现了机器人如何统一移动和动作。它要求机器人执行跳跃、站立、蹲伏等同步的位移，还要进行部件的拾取、再次抓取、控制、安放和滑动等精细的动作。这项工作由三个部分组成：

从手推车上取下 Spot 机器人的下肢部件，把它们折叠整齐，接着搬到架子上摆放好

从手推车上取下面板，接着拉开底层支架上的一个柜子，然后把面板放到里面

推车里的东西取完了，就转过身去，对着后面的蓝色箱子，把里面剩下的 Spot 零件，一个一个地拿出来，然后放进旁边的蓝色翻斗车里

影片全程采用单一镜头，完整呈现了通过一个统一的语言控制策略模型完成所有工作流程的过程。工作人员仅需下达宏观指令，即可启动各个具体步骤

这一特性凸显了策略模型的卓越之处，它能够机智地处理突发状况，诸如部件意外跌落地面，或箱盖突然关闭。模型的原版并不拥有此类功能。研究人员通过向系统展示机器人如何从这些干扰中重新振作，并利用这些新信息对网络进行再教育。不久之后，便推出了全新的策略模型，该模型能够灵活应对各种情况，整个更新过程无需进行任何算法或工程层面的调整。这种能力源于卓越的习得性，策略模型仅依靠传感器数据，就能精准判断环境实况，并且完全依照先前训练积累的阅历来行动，因此，为 Atlas 设定新的动作模式，无需深厚的学术背景和漫长的实践沉淀

更多令人惊叹的操作能力

波士顿动力近期深入探索了数十项工作，这些工作既作为参照标准，又持续突破我们对于机器人操作能力的理解范围。在 Atlas MTS 平台上，借助统一的语言控制策略模型，机器人顺利实现了从基础的抓取-放置动作，到更为繁复的任务，例如编织绳索、翻转吧台凳、铺展并平整桌布，以及搬运一个重约 10 公斤的汽车轮胎。像绳索、布料和轮胎这类物件，因为它们的形状容易改变，而且操作步骤很复杂，所以用老式的机器人编程方法去应对非常麻烦。不过对大型行为模型来说，不管是叠放硬质的积木，还是卷起T恤，它们的训练过程都一样，只要你能展示一次，机器人就能掌握

学习之后：自适应调整性能

该模型具备一个突出优势，能够在推理过程中动态提升运行效率，且无需再次进行训练。具体而言，模型会预判一系列后续操作及其对应的发生时刻，由此可通过调节时间节点的间隔来掌控执行快慢。下方的视频展示了该模型以原始采集速率、加倍速率以及三倍速率执行任务时的表现差异。综合分析得出，不论是在 MTS 平台运行还是使用完整的 Atlas 机器人，若将策略模型的运行效率提高 1.5 至 2 倍，其整体表现并不会出现明显变化。尽管具体任务的物理条件有时会制约这种推理过程中的加速效果，但这确实反映出，特定条件下，系统表现甚至能够突破人类远程操控的速率上限

方法 平台

Atlas 机器人具备五十个活动维度，因而能够实现宽广的动作范围和卓越的机动性；Atlas MTS 则配备二十九个活动维度，专门致力于执行层面的工作探索。各个机械手均设有七个活动维度，可以采取多样化的握持方式，例如强力握持、指式握持等。通过在头部装置的 HDR 立体摄像装置，可以获取环境信息，用于远程操控，同时也能为策略模型供给图像数据

遥控操作：为模型训练收集高质量数据

要让机器人实现行云流水般的动态移动，一套卓越的远程操控机制不可或缺，为此科研团队付出了巨大努力。这套机制建立在波士顿动力完善的运动规划系统基础之上，此前该系统已成功应用于跑酷、舞蹈以及各类实际与虚拟的操作场景。该控制系统在精准执行动作时，还能维持身体稳定，防止与自身部件发生碰撞，持续拓展 Atlas 机器人的性能边界。

远程操控设备借助 VR 眼镜，使操作者彻底置身于机械臂作业环境中，并且能够得到与规划方案完全一致的数据。借助 Atlas 的面部镜头，三维视觉影像被再次投射到使用者的视野里，有效提升了空间辨识度。定制化的虚拟现实程序为远程操控人员呈现了一个内容充实的平台，借助虚实结合技术、设备感应回馈以及视线辅助显示组件，即时呈现机械臂运作情形、指令指引、感知器数据以及系统运作状况，让操作者能充分运用机械臂的物理装置和功能特性，使自身肢体感知与机械臂实现同步协调

最初的 VR 遥操作软件，使用者无需移动身体，借助头戴设备、基站、操控器以及胸部传感器来操控 Atlas 机器人。该系统实现了精确的对应关系，比如人手移动一公分，机械臂也跟着移动一公分，因而提供了极为直接的操作感受，特别适用于需要双臂配合的工作。即便在当前版本中，工作人员也能够处理多项工作，例如下蹲去拾取地面上的物件，或者站立着伸手拿取高处的架子上物品。不过，该系统存在一个明显短板，那就是无法让工作人员实时调整机器人的足部位置或控制其步伐，这一缺陷严重限制了可完成的工作种类。

研究人员为了辅助移动控制，给双腿加装了两个辅助定位设备，达成单腿单独监控的效果，同时优化了远程操控的规则，让 Atlas 的站立姿态、承重范围和行进意向能够和操控者同步。这套系统不仅有助于移动，还使我们能充分运用 Atlas 的全部作业范围。在将地上的蓝色手提箱开启之后，取出里面的物品之际，工作人员需要确保机器人以稳健的站姿并微微弯曲膝盖的方式，能够顺利伸向箱内，而且要防止它和箱子产生接触

该网络策略框架，采用了同远程操控者一致的机械臂指令体系。能够便捷地挪用先前为固定岗位设计的算法构造，仅需略作改动，就能适配更多样化的指令输入

策略模型本体

策略模型以大型行为模型研究成果为基础，该成果改进了 Diffusion Policy 类架构，运用了参数数量达4.5亿的扩散型Transformer结构，同时融入流匹配任务实施训练。这个系统既能够接收本体感觉信息，也能够接收图像信息，同时还能够接收针对特定机器人目标的语言指令，图像数据以每秒三十次的频率被输入，网络会利用一段历史观测数据来预测一个包含四十八个动作的动作块，这个动作块对应着持续一秒六的动作序列实际操作过程中，以标准速度执行时，每次模型完成分析就会进行二十四项操作，也就是持续八秒钟

长颈鹿的感知领域涵盖了由其面部镜头获取的视觉资料以及身体各部位对环境的感知数据。它的活动范畴则涉及双臂的屈伸角度、头部的旋转角度、身体躯干的摆动状态、双手的摆放位置以及双脚的站立形态。

Atlas MTS 的机械构造和软件系统，与 Atlas 的上半身完全一样。它的感知范围和运动能力，也和 Atlas 相同，只是去掉了身体和下半部分。这种在 Atlas 和 Atlas MTS 之间共享的硬件配置和软件架构，有利于培养能够在两个平台上运作的机器人形态策略，还能整合两种机器人的信息

这些策略模型应用的数据，是团队不断搜集并更新的结果。卓越的范例资料是打造理想模型的核心要素。科研工作高度倚重品质监控手段，此类工具能够检测、拣选已获数据，并给予改进建议

仿真

模拟是高效更新的核心手段。它能够快速更新远程操作对象，设计单元测试和集成测试来保障系统可靠性，还能执行那些在真实设备上更耗时、成本更高且不易重复的数字化训练和检验。因为模拟技术能够精确还原硬件和机器人端软件环境，所以研究可以在模拟平台和物理平台间交换数据通路、图形显示软件、训练程序、虚拟现实应用和连接方式

研究借助仿真手段来检测策略模型和架构选择，同时将仿真当作关键联合训练数据，供部署在硬件上的多任务、多机器人形态的策略模型使用

参考：

波士顿动力公司博客文章介绍了大型行为模型Atlas的最新进展，该模型在新的基础上找到了立足点，展现出更加稳定的性能，通过多次试验验证了其卓越的平衡能力，未来有望应用于更广泛的领域