3倍提速！现在你跑不过机器狗了，限制波士顿动力机器狗的竟然是电池功率？

AIGC动态11小时前发布 almosthuman2014

44 0 0

文章摘要

波士顿动力的Spot机器狗通过强化学习技术实现了运动性能的显著突破。最新研究显示，Spot的奔跑速度从出厂时的1.6米/秒提升至18.7千米/时，接近小型犬20千米/时的平均奔跑速度。这一突破源于RAI研究所对机器人动力系统的重新认知——传统认为马达性能是速度瓶颈，但实验证明电池供电能力才是核心限制因素。由于无法获取电池电压数据用于强化学习模型优化，当前速度仍存在提升空间。

机器狗运动模式的革新是其性能飞跃的关键。研究人员通过强化学习算法，在模拟环境中为Spot设计了包含四脚离地”飞行阶段”的步态。这种非生物力学的运动方式突破了传统小碎步模式，使机器人能在触地间隙快速调整姿态。与传统模型预测控制（MPC）方法相比，强化学习不再依赖预设动作指令，而是通过虚拟环境中的自主探索寻找最优解决方案，显著提升了运动效率和适应性。

这种技术突破延伸至其他机器人平台。RAI研究所开发的UMV两轮机器人采用相同强化学习框架，在无平衡陀螺仪的情况下实现了复杂地形上的自主平衡与跑酷动作。实验显示，UMV可完成跳跃高于自身高度的障碍物等高难度动作，但在倒车等基础操作上仍存在稳定性挑战。研究人员指出，经典MPC控制器在动态环境中的响应速度限制，凸显了强化学习在复杂场景下的优势。

技术团队强调，硬件系统的隐藏限制是未来突破重点。Spot案例揭示电池电压对性能的制约，而UMV的倒车难题则暴露了执行器动态特性的建模盲区。通过持续优化强化学习算法与硬件系统的协同设计，研究人员正在探索机器人控制的物理边界。目前，RAI研究所正推动UMV走出实验室，计划在真实复杂地形中验证其跑酷能力，这标志着机器人控制技术从理论验证向实际应用的关键跨越。