波士顿动力与丰田研究院的合作使Atlas人形机器人的工作能力实现突破性提升。
双方首次实现了通过语言指令驱动Atlas完成从零部件折叠到仓储货架整理等复杂作业流程的技术突破。
这种基于大行为模型（LBM）的方法赋予机器人跨任务泛化能力，在工业应用领域迈出重要一步。
最新发布的Vlog视频显示，在零件分拣场景中，Atlas需将蓝色小箱内零件转移至相邻大箱。
面对测试人员用曲棍球杆干扰——包括突然关闭箱盖、移动目标箱体甚至叠加多层障碍——该机器人展现出惊人的环境适应性：通过实时感知动态调整动作序列，在30Hz高频控制下精准完成开合箱盖、恢复目标位置、拾取散落零件等操作。
LBM技术的核心优势在于充分挖掘人形机器人仿生结构潜力：利用全身50个自由度实现步态协调与姿态平衡，在视觉-本体感觉-语言指令多模态输入下生成控制策略。
其训练流程包含四阶段闭环优化：1）通过真实硬件与仿真环境采集遥操作数据；
2）数据预处理与标注；
3）基于完整数据集训练扩散Transformer神经网络；
4）测试验证并迭代补充训练数据。
在汽车轮胎展开、布料平整等涉及柔性物体操控的任务中，传统编程方法难以应对复杂变形几何特性。
而LBM通过端到端语言指令驱动（如”展开桌布并铺平”），仅需单策略即可完成多阶段操作序列。
实验表明该模型可将任务执行速度提升至2倍速仍保持稳定性能，在特定场景下突破人类远程操控的速度极限。
Atlas头部配备的HDR立体相机为视觉输入提供关键支持，配合VR遥操作系统实现操作员与机器人的感官同步。
系统采用改进型模型预测控制框架，在保证动态平衡的同时扩展了动作空间——操作员可通过身体姿态映射控制Atlas完成下蹲取物、跨步取高物等复合动作。
仿真技术在开发中扮演核心角色：自研仿真平台与真实硬件高度同步的数据流水线使多任务策略训练效率显著提升。
目前Atlas MTS测试平台已验证该模型在29自由度机械臂上的泛化能力——7自由度机械手可灵活切换强力抓取与精细捏取模式，在系绳结、翻转吧台凳等任务中表现优异。
这项技术革新意味着未来开发新型机器人操控行为将不再依赖专业算法团队——通过演示-学习范式即可快速部署具备环境适应性的新策略。
从工业分拣到柔性物料处理场景的应用前景正逐步显现。（相关资料来源：波士顿动力官方博客及技术演示视频）
评论列表 (0条)：
加载更多评论 Loading...