▲点击订阅，抓住风口
4月17-18日，知名人形机器人公司波士顿动力宣布老款Atlas机器人退役，并公布完全电动化的001新款，成为机器人领域的新热门消息。
4月19日，王煜全在【机器人产业】专题直播中对此也做了点评，和大家分享了机器人产业未来的技术动态、风口趋势。
今天，我们为大家带来3月19日波士顿动力CTO Aaron Saunders在英伟达GTC上的分享，解读他们研发与商业化中遇到的问题和思考。
站在一个开发者的角度Aaron分享了不少的技术细节，还透露了波士顿动力此前商业化的数据，看到这些你也就会理解为什么Atlas会退役，波士顿动力的下一步计划怎么做。
那波士顿动力规划的未来对吗？判断机器人产业发展趋势的两大指标，抓住爆发机遇的两个关键点是什么？，欢迎点击文首入口加入前哨科技特训营掌握。
波士顿动力CTO分享
波士顿动力简介
今天我将简要讨论一下波士顿动力的现状和未来方向。
我想从历史说起，对于不了解我们的人来说，我们是一个有30年历史的初创公司。我们已经研究这个问题很长时间了，大约可以分为三个十年的不同阶段。
最初的10年实际上与机器人无关，Mark Rebert在MIT创办了这家公司，当时专注于开发物理的模拟器，那是在CGI早期，他可以是那个行业的先驱。
后来，他利用那些专业知识转而投入到机器人领域，中间的10年实际上是我们试图说服自己和世界，机器人是真实的趋势。
20年前和5年前都不是这样的，那时还没有人真正销售和部署移动机器人。所以机器人是一个通常隐藏在制造业内部的行业。
机器臂已经存在很长时间了，但在我们的世界中漫步与我们物理互动的机器人并不存在。
目前，我们大约有800名员工，所以我们还是相当小，但我们已经部署了大约15个机器人，这看起来可能不是一个大数字。特别考虑我们的新东家，现代汽车制造数百万辆汽车，我们还有很长的路要走。
在现实世界中部署数千个机器人是一个巨大的挑战，希望今天我能给你们一些想法。
波士顿动力机器人产品动态
首先介绍一下我们的三条产品线。
首先，Spot是我们进入移动机器人产品的第一次尝试，它现在正在现实世界中运行。
Spot机器人可以在半导体制造厂的地下室中行走，使用其热成像摄像头检查旋转设备。它可以进入像核退役现场这样的危险环境，进入以前从未进入过的地方。
它们以一种基本上使公司能够成为软件公司的方式自动进行操作。我认为地球上正在发生的一件大事是，不仅仅是技术公司成为软件公司，其他所有公司也正在成为软件公司。
第二款是Stretch。Stretch有一个相当无聊的工作：移动纸板箱，而地球上有很多纸板箱。
我们大约一年前部署了Stretch，它已经被少数客户采用。我认为今年它会为我们移动300万个箱子，这大约相当于200条蓝鲸的重量。
它工作在卡车后部，正在卸货的地方，那里非常热、沉重且毫无回报。这不是我们想要待的地方。
最后，还有Atlas。Atlas长期以来一直是我们的研究平台。它不仅仅是为了研究而研究。因为我们有一个商业使命，我们真的在弄清楚如何使用Atlas来推动最终找到其在我们所做的一切中的技术。所以今天我们会更多地谈论Spot和Atlas。
波士顿动力现在正在做些什么？
机器人开发仍然固定在高度集成的硬件和软件上，拥有卓越的硬件可以让你更成功地部署AI，但从模拟环境到真实的差距已经大大缩小。
所以我们波士顿动力的控制开发人员能够非常快速地把他们的想法从模拟环境部署到机器人上。
这与这种高度集成的硬件和软件性能有很大关系，所以过去我们一直致力于研究机器人硬件技术的上限。
最近，在现代集团的背景下，我们真正进入了垂直整合。这让我们加速了开发周期，所以我们要开始制造我们的机器人，要能够快速更改它们，为了在新行业中部署新机器，我们需要能够保持所有的软件更改。
我们所做的大部分工作是视觉驱动的自主性。所以我们在看周围的世界，我们正在了解环境，理解环境的背景，这样我们就能明白我们想如何与之互动。
最后，我们正在商业化。我认为这真的是波士顿动力中心的秘密武器之一。当你有一个商业使命时，它提供了焦点。因此，选择看起来有趣、引人注目、需要解决的难题变得非常容易。但当你可以在客户问题的构架中进行这项工作时，这是非常赋能的，因为当你完成它时，它具有价值并且是持久的。所以这是我个人认为非常有价值的秘密武器之一。
今天机器人技术的变革
过去，年复一年，机器人技术的变化率相当稳定，直到过去半年到一年中，我们看到了很多激动人心的新事物的爆发。
比如我们的一位工程师设法用Spot制作了一个导游，将ChatGPT和Spot结合在一起了
虽然这项工作没有太多真正的工程开发，但做出来的东西相当酷，这些都是我们几年前无法做到或无法想象做到的事情，现在你可以相当快速地完成。
我认为这表明，目前正在开发的许多新兴技术真的在推动许多激动人心的新事物，我们正在找到以前没有的交叉点。
回顾大约五六年前，我们当时正在尝试让Atlas做的不仅仅是行走。每当我们想引入一个新动作，无论是跳跃还是某种不是稳定行走状态的单一行为，我们都需要花费数月至数年时间，从一个简单的模型转变为我们会进行调整的部署控制系统。
这是一项艰苦的工作，而且耗时很长。这是值得的，因为之前从未有人做过，但仅用这种方式解决所有世界上的操作问题将花费太长时间。
现在我们开始更多地依靠其他数据来源优化算法，比如生成式AI擅长的图像、动画，还有运动捕捉、合成数据和视频。
最终，我们希望弄清楚如何将互联网规模的数据使之可供机器人使用。
我们的第一步就是让这一切运作起来，从简单的算法控制到基于模型的控制，很快就得到了正反馈。
比如在过去的几年中，Atlas主要在非结构化的户外地形上奔跑，但它在垂直动作方面能力相当有限。
我们想引入跳跃、奔跑和杂技的概念。这一切都是基于我们第一次尝试基于模型的控制。
过去我们采用了一种固定的级联步法设置移动，将机器人的动作设定好，根据周围环境做匹配运行，这种方式有效但很脆弱，因为只有障碍物和你描述一致机器人才能迈过去或者跳过去。
有了基于模型的控制，这一切将会变得简单很多。比如我们联系了一名动画师，制作了一套舞蹈动画，然后使用了一些标准的AI工具获得了其中的参考轨迹，并使用它们来驱动机器人的控制模型，让Atlas获得了跳舞的能力。
或者使用一个人穿着运动捕捉服装产生参考轨迹，将数据放在机器人上就能得到一样的动作，不需要再人为设置，这也让机器人打破了传统技术的限制。
比如最开始我们让Atlas做后空翻，需要它登上一个高台，因为我们测试后发现机器人没法原地作出后空翻的动作，执行器限制了它的行动。但没有几年时间，随着获得了更多动作数据，Atlas获得了原地后空翻的能力。
为什么？
因为人为设置算法需要对所有身体的动力学求解，人没法算出每一个动作的细节。
使用这些数据和模型控制后，机器人自己学会了在空中收缩身体，它知道该如何利用身体动作控制惯性，所以你会看到它收缩得更紧，我们没有命令机器人去收缩。机器人选择收缩，因为收缩改变了机器人的惯性属性。
这些事情对于人类来说几乎是本能的。但对于机器人来说，我们需要弄清楚如何做到这些，现在你能通过模型控制来做到这一点。
下一步是机器人的操作
现在，我们正试图将同样的工具链应用于操控。
所以我认为我们的行进路线相当有意图。我们从在真实世界中行走开始，你可以让这种行走更有趣吗？你可以跳跃吗？你可以飞跃吗？一旦你能做所有这些事情，你就开始问自己，现在我能以这种有趣的方式在这个世界上移动，我接下来要做什么？
你开始制造围绕操纵的挑战。这就是团队已经工作了大约一年半的内容，标准说法是解决我们与惯性相关的对象互动的问题。
所以之前的很多工作都集中在拾取和放置惯性不相关的物体上，因为物体小，轻，惯性就小。
我们想看看是否能解决物体很重的问题，所以测试了各种东西‍。
下一步就要实现全自动，零代码，通过训练模型，让机器人看到一个对象，从场景中分割出那个对象，识别如何触摸那个对象，如何抓住那个对象，然后我们所做的就是说，请从那边拿起那个对象，放到这边。而在做这个的同时，请在环境中进行推理。所以在这里很重要的一点是，如果你拿起那些大件产品，你需要能够理解该放哪去，理解它的几何形状。
这就是下一步要做的事情。
机器人还能更厉害吗？
我们经常问自己一个挑战性的问题，如何使一个非常出色的机器人变得更好？
Spot机器人车队已经累计走了二十五万公里。现在，它每三个月就能走地球一圈的距离。
在Atlas身上我们可以尽可能多的做测试，但是Spot会发货给客户必须小心行事。

比如我们的一个客户在会溢油到防护区的环境中使用Spot进行工业资产检查，这是一个很容易滑倒的环境。
如果使用传统的算法，根据感知数据、力数据、身体运动方式等选择要运行的动作。但当你进入这样一个场所时，使用这种动作启发算法就不太明智，这就是使用AI强化学习的机会。
我们训练了一个强化学习策略，该策略的任务是调整控制器上的参数，和过去在不同动作进行选择不同，强化学习策略现在可以调整所有这些参数。
我们先进行模拟实验，改变接触面的摩擦系数，观察非常低摩擦表面上的失败概率是多少，确认强化学习策略有效后我们做了更多的模拟。
最终的结果是，机器人现在比过去摔倒的概率更低了。
这项工作有趣的是，还有一个次要好处，把机器人的计算负载减少了25%，这对于移动机器人来说是一个大事。
移动机器人需要随身携带它们的计算机，它们需要随身携带它们的电池。所以当你可以做一些既使机器人变得更好又减少公司计算负载的事情时，你现在有能力将那些额外的计算应用于例如理解你周围的场景等更高级的功能，或进行更多以感知为驱动的工作。这是一个非常令人兴奋的结果。
为了获得更多数据，我们让机器人每周行走约2000小时，不管是执行任务还是其他活动。它们在热室中这样做，它们在楼梯上这样做。我们复制了我们客户站点的一部分。有些在雨中和雪中的户外行走。有些在室内的地毯上行走。这实际上是关于在循环中测试健壮硬件的魔法。这基本上是让你从激动人心的新兴技术一路发展到真实世界的魔法。
很多人和我谈论这个问题时都问过，做出一个你可以信任并放在机器人上的RL策略需要做些什么？
因为很多时候你会认为这些非确定性控制器有你不了解的失败潜力。简短的答案是，它与我们开发的任何其他控制器没有什么不同，因为你最终都要交付给客户。
限制你的唯一因素是你在机器人测试的时间和获得的数据反馈。
当我们从2.0版本开始跟新时，机器人的跌倒水平大约是每公里0.6次跌倒，这在当时是可以接受的，因为这个星球上没有其他类似的产品。

但当我们进入工业站点并开始与我们的客户合作时，你会知道，跌倒的机器人就不是好机器人，所以即使Spot可以从几乎每次跌倒中恢复过来，机器人跌倒仍然不是个好事。
3.3版本，我们大约每50公里跌倒一次，这是一个非常显著的改进，但仍然不是我们的目标，我们的目标是尽可能接近零。所以这是一个持续的过程。这些数字并不是在每次迭代中都会改善的，有时我们会看到一些回退，但总体趋势是向好的方向发展。
为了实现这一点，我们不仅仅关注于软件的改进。我们也在不断地改进我们的感知系统，我们的运动规划，我们的硬件设计，每一部分都在改进。
当我们看到跌倒率的显著下降时，这通常是多个因素共同作用的结果。我们的工程团队在感知系统上做了大量工作，确保机器人可以更好地理解其周围的环境。我们的运动规划系统也变得更加精细，能够更好地预测并适应不断变化的地形。硬件改进也很重要，比如改善机器人的平衡和稳定性。
所以这就是我们在这个阶段所处的位置。我们知道有很多工作要做，但我们对能够实现这些进步感到非常兴奋。我们对能够为客户提供一个更加可靠和安全的产品感到自豪。这不仅仅是关于减少跌倒的数量，而是关于提高整体的机器人性能，使其更适合于实际应用环境，这是我们的终极目标。
我想强调的是，这一切都是围绕客户的需求和反馈展开的。我们密切关注我们的客户是如何使用Spot的，他们在哪些方面遇到困难，他们需要什么样的改进。这种反馈是我们改进过程的关键驱动力。通过与我们的客户密切合作，我们能够确保我们的产品在真正的工业环境中表现出色，满足他们的具体需求。
我们的目标是持续提高，不仅仅是在技术层面上，也在服务和支持层面上。我们相信这种全方位的方法将帮助我们维持在行业的领先地位，并确保我们的客户得到最佳的服务和支持。这就是为什么我们致力于这一过程的原因，为什么我们会继续投入资源和精力来保证我们能在未来几年内持续进步。
以上就是今天的内容，作为开发者社群的分享，波士顿动力CTO谈到的更多是对技术细节的思考，如果你从事过专业开发相信一定会很有感触。
如果你想要更好的理解分享背后隐藏的未来趋势，还需要换个视角，从技术和产业宏观的角度来分析。
这些分析，王煜全已经在直播中给出，如果你想知道答案，欢迎长按下方二维码，加入前哨科技特训营，掌握科技产业一线趋势！
【前哨科技特训营第四季前瞻】

1. 前哨科技特训营直播课程第四季（2023年）共50讲+，除此之外还有5节加餐+公开课。
2. 每讲承诺为1小时视频内容，实际平均时长为2小时。
3. 每周四晚八点准时直播，会员可无限次观看回放。
4. 新入会员，可以无限次回看之前所有视频课程。
5. 成为会员即可使用【AI王煜全】，最新AI大模型开发的专属科技分析助手

6. 每周组织【前哨·创新启发局】，链接科技/产业一线人士，打开技术/应用前沿视野

7. 优先获取全球科技产业一线游学、访问机会，接触科技/产业专家，获取最新、最前沿的趋势洞察，人脉链接

8. 本课程为虚拟内容服务，年费订阅服务制。一经订阅概不退款，线下活动需另行支付差旅成本，请您理解。

【课程咨询】
请加“创新地图助手”：

微信：innovationmapSM
继续阅读
阅读原文