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(yīng)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(zhuǎn)發(fā)到機器人 → 在模擬中大規(guī)模訓練 → 部署到硬件 → 重復(fù)

操作方法：

步驟 1. 捕獲：將人類運動轉(zhuǎn)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(guān)節(jié)角度、時機、協(xié)調(diào)）至關(guān)重要，Xsens采集到的動作數(shù)據(jù)可用作可重復(fù)使用的參考，并可以迭代和擴展到許多任務(wù)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(guān)節(jié)限制、不同的驅(qū)動方式。人類動作無法1:1地完美復(fù)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(guān)節(jié)運動

• 執(zhí)行關(guān)節(jié)限值和平衡約束

• 將人類意圖轉(zhuǎn)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(nèi)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(guān)節(jié)等變量，迫使學習到的行為進行適應(yīng)，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(zhuǎn)移到真正的機器人上，值得注意的是，該過程可以重復(fù)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(wù)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(wù)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(shù)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。