![]()
机器中心报告的编辑：Leng Mao，+0在Fair -Ranoid -game机器人游戏中，尽管每个机器人都显示了其神秘的力量，但也有许多有趣的阶段。特别是Yushu Technology H1机器人的“撞车”事件。 。需要手机控制的人形机器人可能并不是我们想要的。 Yushu技术的Wang Xingxing显然是“在下一场比赛中，我们肯定会完全自治，这并不困难。”在完全独立于决策和独立行动的一般机器人的领域中，老波士顿动态领导者仍然有良好的野心。他们认为，要使人们的机器人形状真正实用，他们必须掌握广泛的功能。这不仅包括各种物体的敏捷操作（尽管柔软，坚硬，轻，重和大），而且还要求它们协调其身体，移动到复杂的环境，避免障碍，并在处理意外坐时保持平衡Uations。实现这一目标的最有效途径是生产可以处理不同任务的通用AI机器人。此时，波士顿动力学与丰田研究所（TRI）合作，为波士顿动力学的著名地图集机器人提出了大型的行为（LBM）。这个基本是开发一种端到端的语言条件方法（语言驱动的控制模型），该方法使地图集可以理解指令并自由完成长期，复杂的操作活动。刚才，研究团队发布了最新的结果显示，以及对全自主义活动进行存储和分类的人类机器人Atlas视频，这确实令人惊讶。该视频显示了Atlas机器人的绝对自主运动，而不会加速，并且直观地显示了许多操作：首先，这是机器人示范中最常见的场景，人们正在引起机器人问题。在动荡的moveme下NT的研究人员使用冰曲棍球棒拉盒子并盖上了盒子的封面，Atlas设法做出独立的决定以打开框盒子并移动盒子位置，这与人类行动的决定非常相似，甚至有些不可知。值得注意的是，当它握住右手的一小部分时，它可以立即用左手捡起它。面对研究人员已经跌入盒子的零件，它能够移动盒子，拿起物品并继续完成任务。在这种情况下，地图集可以识别手上的物体，并将狗的狗的狗狗零件倒在架子上。同时，它还可以识别面板和蹲下的一部分，并将其单元放置在盒子中。从机器人运动可以看出，其背后的AI控制模型可以使用各种人类形态，包括步行，脚的准确定位，蹲下，移动质量中心以及预防自键。所有这些capabilITIE对于解决实际移动操作，研究很重要。波士顿Dynamics技术总监Lucas Manuelli说：“如果几年前有人向我展示了这样的示威活动。”但是现在，算法，数据和硬件逐渐融合在一起，使这些不兼容的事情成为可能。 “尽管未知的通用机器人都仍在思考，但必须说，这一步骤使未来更接近我们。网络对波士顿动态演示的结果进行了高度分析：一些网络嘲笑了杂乱的冰曲棍球棒真的让机器人烦人：该研究团队在研究过程中发表了一个研究过程的详细过程。构建了lbm and lbm ry的详细信息。将其纳入机器人。看到后面的大蓝色盒子，交换了其余的自卸卡车长凳，相同的型号可以完成系绳，我 - 挡住吧台凳，打开和扁平，这些桌布，甚至带有重22磅的汽车轮胎。在传统的编程方法中，很难完成诸如处理可变形物体（例如绳索和织物）之类的任务，但是对于LBM而言，研究过程与构建构建块并不是重要的区别。该模型最引人注目的亮点之一是处理排除方面的智能功能。当偶然的零件或盒子盖被意外关闭时，机器人可能会独立响应并纠正。此功能不是来自预先编写的固定程序，而是通过包含不同干扰和恢复情况的训练数据独立学习的。这意味着，Atlas的新复杂行为的发展不再是领先的编程专家和长期发展循环的结构。只要您可以将其展示给机器人，它就会学习，为未来的机器人技能库的大规模扩展提供了吸引人的挑选。此外，该模型具有独特的功能：在实际执行任务而无需排练时，它可以轻松调整运行速度。实验表明，如果没有明显的任务成功率，机器人实现的速度可以提高到显示速度的1.5至2倍。这证明，在某些情况下，运行机器人的效率可能超过熟练的人操作员。在整个研发过程中指导研发的三个基本原则，团队遵循了三个基本原则，以确保大学和模型的可扩展性：1。追求最广泛的任务范围：为了充分探索人形机器人的潜力，该团队开发了领先的远程远程操作系统。该系统将Atlas的强预测控制器（MPC）与自定义的VR接口相结合，使操作员能够在需要全身协调的大型运动中显示出精细的手指运动的复杂行为，极大地丰富了各种训练数据。 2。培训“通才”的通用模型：研究表明，对大规模和多样化数据集训练的“通才”模型的一般稳定性和稳定性的能力大于培训针对特定任务的“通才”模型。因此，该项目着重于培训多任务通用模型，该模型响应语言说明并结合了来自各种机器人平台的数据。它不仅简化了扩展，而且还允许各种任务共享研究结果，并为生成新兴行为的产生可能性（即，自愿生成的新功能）。 3。建立一个支持快速重复的基础设施：伟大的研发与强大的基础设施分别是密不可分的。该团队建立了一个结合模拟，硬件测试的环境以及级别的学习平台，使他们能够快速进行实验，科学家审查各种解决方案的优缺点，从而持续并稳定地改善了实际的机器人性能。回到Sohu看看更多
