Boston Dynamics 将 Atlas 改造成轮式执行器测试平台

Boston Dynamics 于 2026 年 11 月 9 日详细介绍了一项轮式 Atlas 实验。该实验以车轮取代这款人形机器人的双脚，用于探测执行器的极限，以及全身强化学习从仿真迁移到硬件的效果。

公司将这一配置描述为研究测试平台，而非产品。这项实验旨在揭示，当电机接近工作极限时，真实执行器与经过学习的全身控制器如何协同运作。加速、转向和停止会让电机持续承受负载，同时要求电机在整个工作范围内输出高扭矩并达到高转速。

Boston Dynamics 表示，多年来在 Spot 和 Stretch 上积累的客户经验表明，实际部署的机器人会遇到实验室无法完全复现的情况。撰写这篇介绍的 Atlas 控制工程师 Xiaoyu (Andy) Wu 利用该测试平台研究极端驱动行为，以及其低层控制调校的稳健性。

用于仿真到现实训练的电机模型

在策略应用于硬件之前，训练过程使用了数百万次机器人仿真。这个从仿真迁移到硬件的问题称为“仿真到现实”，其关键在于让电机模型足够准确地复现测得的物理行为，使经过学习的策略能够迁移到硬件上。基于理想化电机训练的策略，可能会反复演练真实机器人无法完成的动作；与硬件特性相匹配的模型，则有助于训练机器人能够实际复现的行为。

准备工作包括在不同软件环境中匹配低层控制参数、开展电机特性测试，以及根据 Atlas 的测量数据调校仿真电机。团队还逐一评估了各种简化处理，保留无害的近似，同时避免使用会让策略在训练中获得不切实际优势的简化。

这个项目将执行器设计、低层电机控制和全身强化学习（RL）结合起来，而在 Atlas 项目中，这些通常是彼此独立的专业领域。Wu 的背景是经典电机控制，这是他第一个规模较大的强化学习项目，因此他需要跨越这些层次之间的专业边界开展工作。

研究人员对成熟的策略框架进行了调整，改动了奖励构成、训练指令的范围以及姿态处理方式。Wu 表示，这些改动让 Atlas 能够平稳滚动，同时保持稳定且易于操控；他还称，最终将策略迁移到硬件上的效果几乎完美。

滚动演示与极简改装

部分演示以人体动作捕捉片段为起点，Wu 选择了其中脚部滑动幅度较大的片段。侧向冲刺训练将人体的滑步转化为带转向的滚动动作，让策略在学习使用车轮的过程中完成这一转换。

在 360 度跳跃中，控制器跟踪了一条根据人类跳跃者动作记录下来的运动轨迹。Wu 认为，尽管这一动作看起来充满爆发力，但实际风险相对较低；他还表示，机器人首次尝试就成功了。机器人准备起跳时，带轮的下半身先快速滚动到位，然后向上发力，展现了不同于 Atlas 用脚行走时的牵引力运用方式。

实现这些动作所需的硬件改动很少。唯一新增的部件是一个定制转接件，用来将市售滑板车轮圈连接到 Atlas 现有的踝部执行器上。在基准软件模型中，每个车轮都被视为一个能够连续旋转的脚踝，因此 Wu 无须另行构建机器人模型，就能用车轮替换双脚。

对标准版 Atlas 的启示

Boston Dynamics 表示，实验所得经验已开始应用于标准配置的 Atlas。加强执行器动力学与全身强化学习（RL）的整合，旨在提升策略应对故障模式的稳健性，并拓展机器人的能力。因此，这些演示将一种特殊的研究配置，直接与传统双足机器所使用的控制系统联系起来。

Wu 还开始研究针对执行器故障的策略，包括强化学习能否为这类故障生成涌现式响应。这项后续工作将可靠性研究拓展到故障后行为会发生变化的硬件，测试学习得到的控制系统能否在真实执行器偏离预期行为时作出响应。