波士顿动力技术揭秘：后空翻、俯卧撑与翻车，6年经验、教训总结
内容提要
波士顿动力的工程师分享了人形机器人Atlas的研发历程和经验教训，使用模型预测控制（MPC）实现高难度动作，计划将MPC与机器学习结合以提升性能。
延伸解读
MPC：Atlas高难度动作背后的控制核心
波士顿动力工程师Robin Deits透露，自2019年以来，Atlas实现的所有动作，包括跑酷、后空翻、跳舞等，都依赖模型预测控制（MPC）。MPC能处理多变量系统并显式考虑约束，但团队并不追求求解器收敛，而是利用问题结构加速求解，甚至重写求解器内部。这种工程选择让机器人在动态环境中保持鲁棒，但也意味着需要大量计算资源。
从“土豆”到耦合系统：模型复杂性的收益与代价
早期团队将机器人简化为“长了四肢的土豆”，专注于重心动力学，成功实现360度旋转和后空翻。但四肢与主体不协调时，机器人会翻车。转向运动学-重心动力学耦合优化后，Atlas完成了540度转体空翻。增加模型复杂性持续提升性能，但计算更复杂、软件更庞大，且尚未发现临界点。
局部优化的双刃剑：为何机器人会翻车
MPC依赖局部优化，在多数场景下效果出奇地好，例如机器人能扭臀绕过盒子。但局部梯度可能误导机器人，尤其在接触模式错误时，会导致翻车。当环境接触引入离散变化，机器人需要动态选择新的模式序列，目前尚无明确方法。此外，参考轨迹的动态调整也是未解难题，例如行走-抓取序列中成本函数如何变化。
未来方向：MPC与机器学习结合
波士顿动力将MPC与机器学习结合视为重要愿景，但具体方式未定。可能路径包括：用MPC作为数据收集平台、作为强化学习策略的抽象API、作为教师训练高效策略，或作为临时方案直到逆向工程出RL替代技术。这些尝试旨在解决模型复杂性增加带来的延迟和计算挑战，同时提升机器人自主任务能力。
Q&A
波士顿动力的Atlas机器人有哪些主要技术特点？
Atlas机器人主要使用模型预测控制（MPC）技术，能够处理多变量系统，优化控制输入以提升性能，完成跑酷、后空翻等高难度动作。
波士顿动力在Atlas的研发中遇到了哪些挑战？
波士顿动力面临的挑战包括动态调整参考轨迹、处理局部优化问题，以及如何将MPC系统应用于人类指定的任务上。
MPC技术在Atlas机器人中的应用效果如何？
MPC技术使Atlas能够实现复杂动作，如俯卧撑和倒立行走，并在动态环境中提供鲁棒的控制解决方案。
波士顿动力如何改进Atlas机器人的控制模型？
波士顿动力通过将重心动力学与运动学结合在一个优化过程中，避免了分阶段优化带来的问题，从而提升了机器人的性能。
Atlas机器人翻车的原因是什么？
Atlas翻车的原因主要是由于局部优化中的梯度错误引导，导致机器人在与环境接触时采取非最优行动。
波士顿动力未来的研发方向是什么？
波士顿动力计划将MPC与机器学习结合，以提升机器人的性能和适应性，解决当前面临的复杂性和动态调整问题。
