最近，波士頓動力的Atlas機器人又解鎖了一項新的技能，那就是跑酷。老冀看了一下波士頓動力釋出的跑酷影片，說老實話，老冀跑起來也沒這麼順溜。
此前，Atlas已經解鎖過跑步、跳躍、前空翻、後空翻、跳舞等技能。不過，這一次的跑酷，不僅僅是把這些動作串聯起來這麼簡單，背後還有更大的提升。
第一大提升是更協調的全身運動。在跑酷的過程中，Atlas做了個單手支撐、然後全身躍過平衡木的動作。這個動作對於很多年輕人當然不算難（對於老冀估計已經有點難了……），對於Atlas這個機器人就不那麼容易了。因為Atlas沒有脊椎和肩胛骨，手臂關節也比較弱，而且自重達86千克，這就決定了它必須找到適合的運動模式。
這裡的關鍵就是Atlas上半身運動技能的加強。此前看過Atlas各種酷酷運動的朋友都會發現，這個機器人的下半身非常有力，大人使勁推都推不倒；而上半身的力量則有所欠缺，也並沒有設計太多的動作。而透過這次跑酷，尤其是飛躍平衡木的動作可以看出，Atlas上半身的運動技能得到了加強。運動起來，全身也顯得更加協調。
第二個重要的提升，則是Atlas有了感知能力。之前，Atlas的跳舞雖然令人印象深刻，不過當時它還是按照事先編排好的動作，並不需要感知外部環境並做出反應。而在這次跑酷中，研究團隊特意只是建立了很少的模板行為，這就要求Atlas根據自己感知到的障礙物，隨時調整自己的動作。從影片中可以看出，Atlas做得很不錯。
這其實也體現了波士頓動力的遠大目標，那就是透過Atlas這款探索型的產品，不斷將機器人的能力推向新的極限，直到創造出能夠從事通用性工作的人形機器人。
（問答環節）
針對這次Atlas跑酷的表現，IEEESpectru與波士頓動力公司 Atlas 團隊負責人Scott Kuindersma和Atlas 控制負責人Benjamin Stephens透過電子郵件進行了交談。
Atlas 團隊負責人Scott Kuindersma
Atlas 控制負責人Benjamin Stephens
雙方的對話如下：
IEEE Spectrum：您能否描述一下 Atlas 執行的一些限制條件，以及它的行為有多脆弱？例如，它能否處理摩擦的變化，如果需要不同的運動序列，它能否自主適應？
Scott Kuindersma 和 Benjamin Stephens：讓自己行為適應各種環境的能力，是Atlas 的一個關鍵設計原則。因此對於像跑酷這樣的活動，我們經常透過更改路線的幾何形狀來測試機器人。Atlas 也能夠在一定程度上處理腳滑動等問題。我們在木頭、墊子、瀝青、草地和具有抓地力紋理的表面上對Atlas進行測試，而且沒有明確告訴Atlas摩擦和地面順應性是不同的。當然，也有一定的限制——冰上跑酷可能行不通。
Atlas 的控制系統還在對移動序列進行重新排序方面提供了一定的靈活性，無論這些序列是提前提供的（如這裡的情況），還是作為計劃過程的輸出線上生成的。Atlas 行為庫背後的理念，是他們可以在全新的環境中使用。
IEEE
Spectrum：看到 Atlas 使用更多的上半身進行動態機動，這令人印象深刻。Atlas 將在多大程度上繼續使用類似人類的運動來實現動態移動，而不是可以針對獨特的機器人功能進行更最佳化的運動？
Kuindersma 和 Stephens：我們對創造充分利用硬體的行為很感興趣，即使產生的運動並不完全像人類。也就是說，令人難以置信的人體運動的廣度和質量仍然是我們的靈感來源，特別是在跑酷等情況下，展示的協調性和運動能力激發了有用的硬體和軟體創新。
IEEE
Spectrum：
你們
在部落格文章中提到
Atlas
沒有脊椎或肩胛骨，
使得他
能做的事情
有了
一些限制。經過多次迭代的Atlas，您認為多少仿生設計是合適的？
Kuindersma 和 Stephens：在構建像 Atlas 這樣的機器人時，總會有很多工程上的權衡來塑造最終設計。目前，波士頓動力已經發展了幾代人形機器人，並在尺寸、運動範圍和強度重量比之間取得了良好的平衡。當我們確定了機器的物理限制時，這對我們的設計團隊來說就變成了有用的資訊。在某些情況下，可以透過增量升級來改善限制。而對於全新機器人的設計，我們就必須在機器人當前的侷限性與我們希望機器人在未來幾年要做的事情之間找到平衡，並做出決定。這些決定主要是由我們的技術目標和實驗分析推動的，而不是由人類表現資料推動的。
IEEE
Spectrum：上次我們聽說，Atlas 沒有在
跑酷的時候
使用機器學習。當
你們
教授Atlas 新行為時，您究竟是如何做到的？
Kuindersma和Stephens：Atlas 在跑酷期間的行為可以表示為最佳化問題，隨著時間的推移，協調力量和運動的策略。我們使用最佳化來離線設計Atlas庫中的行為，並在線調整和執行它們。當您可以將想要的內容描述為易於處理的最佳化問題時，這種程式設計策略很有效。但是，並非所有任務都是這樣。例如，在難以寫下詳細解決方案的情況下（例如，視覺主導的操作任務），機器學習成為程式設計行為的重要工具。我們能夠利用這兩種方法的優勢來解決問題，我們對這樣的機會感到興奮。
IEEE
Spectrum：在這一點上，Atlas 更受硬體約束還是受軟體約束？如果您想讓 Atlas 做一些新的事情，那麼不可能與不可能之間的界限是什麼？
Kuindersma 和 Stephens：在機器人硬體的極限下尋找和操作，是做跑酷之類的動機的一部分。但是，如果我們考慮Atlas 這樣的機器人能夠做什麼的長期願景，那麼使用現有硬體進行軟體創新的機會很多。我們將繼續在硬體和軟體這兩個方面進行改進。在過去的七年裡，Atlas 的行為已經從走上樓梯和移動紙板箱，發展到你今天看到的跑步、翻轉和跳舞。我們很高興能夠看到，未來七年它將帶領我們走向何方。
