波士頓動力揭密「輪式版Atlas」幕後：用強化學習挑戰致動器物理極限

在人形機器人 領域向來堅持「雙足步行」的波士頓動力 （Boston Dynamics），稍早釋出其最新技術解析影片《Atlas on a Roll | Classical Motor Controls and Whole-Body RL | Boston Dynamics》，罕見為旗下全電動人形機器人 Atlas的雙腳換上輪組，並且在實驗室裡上演高速甩尾漂移、橫向瞬移閃避 （Side dashes）與原地360度跳躍轉體等高難度特技。

針對外界好奇波士頓動力是否準備轉向「輪式人形機器人」路線，Atlas團隊控制工程師Andy Wu在影片中親自揭曉答案：為Atlas裝上輪組的目的，並非為了改變移動型態，而是作為一套極限測試平台 （Testbed），用來驗證當底層傳統馬達控制 （Classical Motor Controls）結合全身強化學習 （Whole-Body RL）時，實體致動器 （Actuators）在效能極限邊緣的反應與可靠度。

解鎖「甩尾漂移」與「橫向滑行閃避」，AI自主學會利用輪子滾動

從雙足踏步變成滑行甩尾：換上輪組後，工程師能像打電玩一樣直接操控Atlas在地面進行高速滑行與甩尾漂移。Andy Wu笑稱這過程實在太有趣，讓他在負責這項專案期間甚至完全沒碰自己家裡的電競主機。

強化學習自發掌握輪組特性：最明顯的動作改變體現在「橫向閃避」 （Side dashes，結合跳躍的左右快速橫移）。在傳統雙足腳掌 （Feet）配置下，機器人若想做出此動作，唯一的方法是硬生生讓腳底板在地面摩擦滑動；但換上輪組，並且輸入訓練流程後，強化學習模型在沒有人工硬編碼的情況下，自己摸索出如何在橫向跳躍閃避的過程中利用輪子順暢滾動卸力。

360度空中轉體跳躍「一次就成功」：人類動捕數據直通軌跡訓練流程

影片開頭Atlas穿著輪鞋完成極具視覺張力的「原地360度跳躍旋轉」，實際上卻是團隊評估風險最低的動作之一。

該動作源自團隊動作捕捉資料庫中一段「真人原地跳躍旋轉360度」的運動軌跡，工程師直接將該軌跡放進Atlas的軌跡目標訓練流程，即便腳底改成不穩定的輪組，系統依然在第一次實機測試時就完美成功。

將致動器推向物理極限：打通「底層傳統控制」與「全身強化學習」

Andy Wu指出，控制工程師的核心任務，是確保馬達與致動器在任何情況下都能表現得可預測且可靠。由於真實世界充滿實驗室難以預料的突發狀況，加上輪組後的高速滑動與動態重心變化，能創造出一般雙足步行難以觸及的極端負載場景，藉此測試控制參數 （Control tunings）是否足夠強健。

Sim-to-Real （模擬到真實）高精準度轉移：工程師在模擬環境中駕駛輪式Atlas，並且微調各種底層參數後，發現相關控制策略能「近乎完美地直接轉移到實體硬體上運作」，更能即時反映出不同參數微調對硬體動態的細微影響。

下一步延伸：訓練AI在「致動器故障」時產生自發應變行為

透過這次將「底層致動器控制」與「全身強化學習堆疊」 （Full-body RL stack）深度整合的經驗，Andy Wu透露目前已經啟動下一階段專案：研究當機器人遭遇「致動器臨時故障失效」時，如何讓強化學習策略自動產生「湧現／自發性應變行為」 （Emergent behaviors），讓機器人在硬體受損時仍能維持平衡與任務運作。

為什麼要給雙足機器人穿「直排輪」？用「刻意製造不穩定」練就最強全身控制

這支影片釋出後，不少網友第一反應是：「波士頓動力是不是發現雙足走路太耗電，所以也想改做輪式機器人？」但仔細聽完工程師Andy Wu的解析就會明白，這其實是一場極為高明的「控制系統極限壓力測試」。

想像一下人類穿普通球鞋走路，跟穿上直排輪溜冰鞋做左右急停跳躍的差別——當腳底的抓地摩擦面積縮小成滾動的輪子，只要全身重心或關節扭力有毫秒級的計算誤差，機器人就會立刻劈腿摔倒。波士頓動力刻意拿掉穩定的平底腳掌、換上輪組，正是為了剝奪機器人的「地面靜摩擦安全感」，逼迫全身強化學習機制與底層馬達控制器在高速甩尾與跳躍落地瞬間，展現出最高等級的動態平衡與扭矩控制能力。

「傳統控制 ＋ 全身強化學習」的黃金結合

過去機器人學界常陷入兩個極端：純靠傳統數學建模控制 （MPC）雖然精準但難以應付複雜環境，而純靠端到端強化學習又常在實體馬達上出現抖動或超出硬體極限。

波士頓動力在電動版Atlas上展現的核心技術，在於將兩者完美縫合：上層用強化學習去學習人類動捕軌跡 （如360度跳轉），或是自己摸索出輪子橫移滑行的技巧；下層則由Andy Wu這類控制工程師，針對每一顆高出力致動器的物理極限進行精細調校 （Classical Motor Controls）。這種「上層AI大腦懂變通、底層馬達控制極度可靠」的架構，才是它能從模擬環境一次無痛轉移到實機 （Sim-to-Real），同時第一把測試就成功的關鍵。

從「穿輪鞋甩尾」走向「斷一條腿也能工作」：工廠實戰最需要的容錯能力

影片後半段提到的一個技術預告，對未來人形機器人進駐現代汽車 （Hyundai）等工廠產線具有決定性意義——也就是「致動器故障時的強化學習自發應變」 （Policy response to failed actuators）。

在真實工廠24小時高強度搬運中，機器人關節馬達過熱降頻、齒輪磨損甚至單一致動器突然失效是遲早會發生的事。傳統機器人一旦某個關節故障就會直接觸發急停，甚至倒地損毀；但透過這次在輪組極限測試中驗證的「底層致動器狀態 + 全身RL即時補償」架構，未來當Atlas某一顆手部或腿部馬達失靈時，全身強化學習模型能瞬間重新分配其餘完好關節的出力 （如同人類扭傷腳踝時自動改用跛行姿勢維持平衡），這才是工業級實體AI （Physical AI）真正走向高可靠度商轉的最後一塊拼圖。

Boston Dynamics Atlas「標準雙足模式」與「加裝輪組極限測試模式」對照總覽表

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》