波士顿动力机器人Atlas，为何如此丝滑~

大家好，我是bug菌~

这几天看到波士顿动力机器人又更新了，在如下视频中机器人Atlas使用动作捕捉开发的强化学习策略进行动作演示，大概的意思就是机器人的运动策略是参考了人类动作捕捉和动画，所以才如此丝滑，这次演示在波士顿动力公司与机器人与人工智能研究所（RAI 研究所）的研究合作伙伴关系下完成。

可能很多看过视频的朋友会觉得有点不可思议，一些朋友觉得视频中Atlas动作“过于丝滑”，怀疑存在后期处理。

不过更多的朋友还是觉得波士顿动力长期研发Atlas，有多个技术迭代的记录，而且波士顿动力非常擅长机器人硬件设计与动态控制，而RAI研究所专注于强化学习等AI算法研究，两者的结合能够实现“硬件+算法”的协同创新，实现该效果并不是很困难，更何况还只是在室内。

所以bug菌这里也大致聊聊这个技术，可能你就不会觉得那么不可思议了~

1、首先进行数据采集与预处理

• 动作捕捉：通过光学、惯性或生物力学传感器采集人体或动物的运动数据（如关节位置、速度、加速度）。

 • 数据对齐：将捕捉到的运动数据映射到机器人关节空间（需考虑机器人形态与生物体的差异）。 

• 生成参考轨迹：提取关键运动特征（如步态周期、重心变化），形成参考动作序列。

2、进行强化学习策略设计

• 状态空间（State Space）：包括机器人本体传感器数据（关节角度、陀螺仪、力反馈）和任务相关状态（如目标位置）。

 • 动作空间（Action Space）：机器人关节的控制指令（如扭矩、速度）。 

• 奖励函数（Reward Function）：

1)模仿奖励：鼓励机器人动作与MoCap数据相似（如关节角度误差最小化）。

2)任务奖励：根据任务目标设计（如前进速度、平衡保持）。

3)惩罚项：防止摔倒、能耗过高或动作不自然。

3、然后进行训练与优化

• 模仿学习（Imitation Learning）：利用MoCap数据初始化策略（如通过行为克隆），加速强化学习的收敛。 

• 强化学习算法：采用PPO、SAC、DDPG等算法，通过仿真环境（如MuJoCo、PyBullet）训练策略，使机器人在动态环境中优化动作。

• 域随机化（Domain Randomization）：在仿真中引入环境扰动（如地面摩擦变化、外部推力），提升策略的鲁棒性。

4、最后迁移到物理机器人

• Sim-to-Real：通过动力学校准、自适应控制等方法，将仿真中训练的策略迁移到真实机器人。

 • 在线调整：结合实时传感器反馈，微调策略以适应实际环境的动态变化。

所以，是不是很简单~

最后

      好了，今天就跟大家分享这么多了，如果你觉得有所收获，一定记得点个赞~

唯一、永久、免费分享嵌入式技术知识平台~

推荐专辑  点击蓝色字体即可跳转

☞  MCU进阶专辑

☞  嵌入式C语言进阶专辑

☞  “bug说”专辑

☞ 专辑|Linux应用程序编程大全

☞ 专辑|学点网络知识

☞ 专辑|手撕C语言

☞ 专辑|手撕C++语言

☞ 专辑|经验分享

☞ 专辑|电能控制技术

☞ 专辑 | 从单片机到Linux