人形機器人訓練流程可簡單表示為：捕捉人類動作，并將其重新分配給機器人，在模擬環(huán)境中大規(guī)模訓練，部署到硬件上，然后進行迭代。

波士頓動力AI實驗室，展示了類人機器人Atlas如何學習新的動作，如何在模擬中放大這些動作，然后將這些技能帶入真實的機器人應用中。

端到端的管道

越來越多的人形團隊正在采用以下模式訓練機器人：

捕獲人類運動 → 轉發(fā)到機器人 → 在模擬中大規(guī)模訓練 → 部署到硬件 → 重復

操作方法：

步驟 1. 捕獲：將人類運動轉化為訓練數(shù)據(jù)

在這個環(huán)節(jié)中，研究員將穿著Xsens動作捕捉服來記錄全身的動作。捕捉到的動作將成為參考行為。

動作學習始于良好的數(shù)據(jù)。因此動作清晰（關節(jié)角度、時機、協(xié)調）至關重要，Xsens采集到的動作數(shù)據(jù)可用作可重復使用的參考，并可以迭代和擴展到許多任務變體。

步驟 2. 重新定位：將人類運動映射到機器人并約束條件

Atlas 并不是按照人類建造的。因此其擁有不同部位的比例、不同的關節(jié)限制、不同的驅動方式。人類動作無法1:1地完美復制。

波士頓動力團隊需要指導Atlas虛擬地匹配動作，因為它的身體與人類不同。

重新定位是將動作變成機器人可用的一種形式：

• 對齊框架和關節(jié)運動

• 執(zhí)行關節(jié)限值和平衡約束

• 將人類意圖轉化為機器人軌跡

步驟 3. 在模擬中大規(guī)模訓練：成千上萬的虛擬機器人，快速迭代

通過使用Xsens捕捉的精準動作捕捉數(shù)據(jù)，波士頓動力團隊在模擬中擴展學習，在該步驟中有超過4000個數(shù)字Atlas機器人在六小時內并行訓練。

團隊還為模擬添加了諸如光滑的地板、斜坡和僵硬的關節(jié)等變量，迫使學習到的行為進行適應，而不是記住一個單一的理想狀態(tài)。

模擬的核心優(yōu)勢：

• 學習速度比實時更快

• 學習更加安全高效

• 在接真實觸硬件之前提高穩(wěn)定性

步驟 4. 部署到硬件：將訓練過的技能部署到多臺機器人

當學習過程完成后，其可以被直接轉移到真正的機器人上，值得注意的是，該過程可以重復進行。

將技能擴展到整個機器人陣列：

• 只需捕獲一次動作數(shù)據(jù)

• 在模擬中訓練和提高表現(xiàn)效果

• 將訓練過的技能部署到整個機器人陣列

• 隨著環(huán)境的變化不斷迭代

Atlas 正在進入真正的工廠

該案例以真實的制造背景為框架：波士頓動力公司被邀請在現(xiàn)代汽車位于薩凡納的新工廠展示Atlas的第一次真正的戶外測試。

工廠本身已經(jīng)高度自動化，擁有1000多臺機器人和近1500名員工，Atlas被定位為下一步：一個用于不值得定制自動化的任務的靈活工人。

使用Xsens動作捕捉進行捕獲→重新定位→模擬→部署循環(huán)的競爭優(yōu)勢：

• 更快的新工作流程任務處理時間

• 更少“一次性”機器人程序

• 在現(xiàn)實世界的變異性下表現(xiàn)更好

如果您正在為工業(yè)環(huán)境打造人形機器人，Xsens動作捕捉技術將成為連接人類靈活性與可擴展的機器人學習的全新紐帶。