文章摘要
【关 键 词】 机器狗、动态操作、分层控制、强化学习、采样控制
波士顿动力人工智能研究所的最新研究展示了机器狗Spot在动态全身操作任务中的突破性表现。Spot仅用3.7秒就能搬起重达15公斤的轮胎，相当于其自身重量的一半，远超其最大臂力限制。这项名为“结合采样与学习的动态全身操作”的技术，通过分层控制框架实现了四肢与躯干的协同动力学操作，能够完成轮胎扶正、滚动及堆叠等复杂任务。
研究采用强化学习与基于采样的控制相结合的方法，将控制系统分为两个互补层级。低层由强化学习驱动的运动策略直接控制电机力矩，负责平衡与基础动作执行；高层则根据任务类型切换不同控制模式。对于需要精确施力的任务，系统通过32个并行CPU线程模拟未来数秒的动作序列，在样条曲线空间中进行高效采样，生成平滑自然的运动轨迹。这种设计使得机器人能自主发现多肢体协调策略，例如在轮胎扶正过程中，通过手臂与前腿的杠杆作用产生足够抬升力。
在轮胎滚动任务中，研究采用非对称演员-评论家架构进行强化学习训练。经过24小时GPU训练的策略能动态调整躯干与机械臂位置，精确控制轮胎滚动轨迹，克服了复杂摩擦与接触动力学的建模难题。训练过程中引入的质量、摩擦系数随机化处理，有效缩小了仿真与现实的差距。实测显示，该系统的轮胎扶正速度接近人类水平，平均耗时5.9秒，彻底突破了传统准静态假设下缓慢操作的限制。
分层控制架构的关键优势在于将高层决策与底层执行解耦。高层控制器只需处理简化的动作空间参数，而将关节力矩、接触力等复杂动力学交由底层处理。这种设计不仅降低了计算复杂度，还使机器人能灵活组合多种接触方式——包括使用头部辅助顶推——这些行为完全是在优化过程中自然涌现的，而非预先编程设定。研究证明，动态协调全身动作的策略能显著扩展操作能力，使Spot成功搬运超出其夹持器额定负荷300%的重物，为机器人动态操作领域树立了新的技术标杆。
原文和模型
【原文链接】 阅读原文 [ 1674字 | 7分钟 ]
【原文作者】 量子位
【摘要模型】 deepseek/deepseek-v3-0324
【摘要评分】 ★★★☆☆
相关文章
