啥？波士顿动力机器人不是人工智能？

你那么好看，一定会选择关注我的！

上个月，波士顿动力在 YouTube 上刷了一波 Atlas 2 的新技能。从视频中可以看到，相比今年五月在跨越障碍时还得停顿片刻，这次 Atlas 2 可以直接奔跑着跨越了。

Atlas 2 这次秀出的技能分为两段，跨越障碍+三级跳，这次的技能衔接和释放更为流畅，也受到了众多媒体的一致好评。一方面，大家感叹技术越来越成熟，另一方面，却由于报导在专业性上失实而让大家觉得波士顿机器人与人工智能的进展有很大的关系。

这是网上一些失实的言论：

硬件方面其实已经成熟，最难的就是算法，从机器人设计来看，每一种动作背后是一个算法，像是跑步、蹲、跳跃等，要把各种算法软件结合，进而协调双足自由度的运作，其中人工智能在此扮演了关键角色。

从这可以看到他做到了让算法快速迭代，人工智能在此显然扮演了重要角色。

波士顿动力需要用到复杂的人工智能算法，以保证机器人的平衡以及定位和导航功能。

现阶段 Atlas 2 只是在极佳性能的硬件平台上使用传统的运动控制方法去实现了这一系列令人震撼的高爆发力的跑跳运动，并没有使用任何与人工智能相关的机器学习算法。

虽然一些做腿足式机器人相关的专家也都义正辞严对以上言论进行了留言和批评，但总的来说，保持头脑清晰、客观理智的人还是少数，大部分人还都在跟风鼓吹人工智能和机器学习。

大约从 17 年开始，很多研究人员尝试将机器学习的理念应用于腿足式机器人，尤其是双足机器人的行走（locomotion）控制中，取得了很好的成果。但大方向上，还是体现了当前机器学习类方法在双足机器人硬件平台上落地的局限性，包括训练周期长，可供采集的样本少，机电系统不稳定性带来的 corner case ，设置 Reward 难度大，仿真模型和实际模型相差太大等等，还有相当长的道路要走。

现在机器人界对机器学习这类新的方法和可能是非常开放的，但对于把现阶段将波士顿动力的核心定位于人工智能+机器学习，是极其不合适的。初衷也很简单：

一方面，明明是一群做机电液压系统实现+传统运动控制的硬件和控制工程师辛勤工作的成果，凭什么要被人工智能收割？

另一方面，还原事实真相，找准现阶段的差距和发展方向，才能尽可能缩短和别人的差距，否则只能被疯狂收【智商税】。

【波士顿动力 Atlas 2 的核心】

1.独一无二性能极佳的硬件平台

波士顿动力公司的高能量密度、高集成紧凑度、高结构强度的液压元件与机电系统，很难在地球上找到第二家。Raibert 在今年 IROS Planetary Talk 也提及：Atlas 2 的动力源液压泵是做到了极小尺寸的高能量密度（5kw/5kg）——「You can not find it anywhere else in the world.」Raibert 相当自豪地说到。

2.饱经锤炼的运动控制算法（QP+RHC）

具体来说，Atlas 2 的运动控制大方向是基于 QP+RHC (Raibert 2018 IROS 口头叙述)：

Quadratic Programming（QP）二次规划；

Receding Horizon Control（RHC）= Model Predictive Control（MPC）模型预测控制。

QP 与 RHC（MPC）是做运动控制的人比较熟悉的，但把这类大家都熟知的控制方法应用在 Atlas 2 这个大人型上，实现最近我们看到的后空翻、三级跳与跑酷相当困难——需要一个漫长而复杂的基于实际硬件系统（考虑单个驱动器存在的超调、滞后与误差与多个驱动器误差的叠加与耦合）的调试和优化。

举个小例子去阐述当前实验室中做的运动控制与波士顿动力的差距:

仿真环境中的运动控制 ≠ 实际硬件平台的运动控制；

小尺寸双足人形（诸如 Nao）的运动控制 ≠ 大尺寸仿人双足人形的运动控制。