Atlas

引言

Atlas 是由美国 Boston Dynamics 公司研发的人形机器人（Humanoid Robot），是全球最具标志性的双足机器人之一。Atlas 最初于 2013 年作为液压驱动的研究平台亮相，在动态运动控制领域不断突破人类对机器人运动能力的认知。经过十余年迭代，Atlas 的每一次公开演示都引发全球机器人领域的广泛讨论，并深刻影响了整个行业的技术路线。2024 年，Boston Dynamics 推出全新的全电动 Atlas，标志着该平台从研究原型向商业化工业应用的重大转型。

发展历程

Atlas 的发展历程横跨十余年，每个阶段都伴随着技术上的重大突破和广泛的社会影响。

起源与 DARPA 机器人挑战赛（2013–2015）

Atlas 的诞生与美国国防高级研究计划局（Defense Advanced Research Projects Agency, DARPA）密切相关。2011 年日本福岛核电站事故后，DARPA 认识到现有机器人无法在核泄漏等极端灾害环境中执行应急操作，因此于 2012 年启动了 DARPA 机器人挑战赛（DARPA Robotics Challenge, DRC），旨在推动能够替代人类进入危险环境作业的机器人的研发。

DRC 设计了一套高度模拟真实灾害场景的任务序列，要求参赛机器人在无人协助的情况下完成以下八项任务：

1. 驾驶车辆穿越障碍场地
2. 下车并步行至目标建筑
3. 打开并通过一扇门
4. 操作工业阀门（旋转关闭）
5. 使用电动工具在墙壁上切割出开口
6. 爬越瓦砾堆等非结构化地形
7. 攀爬工业楼梯
8. 连接消防水管接头

任务设计的核心挑战在于：机器人需要在通信受限（模拟真实灾害中通信中断的场景）的条件下独立决策，操作员与机器人之间的通信带宽被人为限制，且存在额外的网络延迟。这要求各参赛团队不仅要解决运动控制难题，还要设计具备一定自主感知与决策能力的软件架构。

2013 年，DARPA 选定 Boston Dynamics 作为硬件供应商，为各参赛研究团队提供统一的 Atlas 平台。第一代 Atlas 身高约 1.88 m，体重约 150 kg，采用液压驱动，具备 28 个液压自由度（Degree of Freedom, DOF），并配备立体摄像头与激光雷达（LiDAR）用于环境感知。参赛队伍包括麻省理工学院（MIT）、卡内基梅隆大学（Carnegie Mellon University, CMU）、佛罗里达人机认知研究所（IHMC）等顶级研究机构。

2015 年 DRC 决赛中，韩国科学技术院（Korea Advanced Institute of Science and Technology, KAIST）的 DRC-HUBO 机器人夺冠，多支使用 Atlas 平台的团队亦进入前列。其中 IHMC 战队的 Atlas 获得第二名，完成了六项任务。比赛期间机器人频繁跌倒的画面经网络广泛传播，一方面展示了任务的高难度，另一方面也反映出当时双足机器人在实用性上与人类的巨大差距——绝大多数机器人完成全部八项任务耗时超过 40 分钟，而训练有素的人类不到 10 分钟即可完成。

2016 年：新一代 Atlas 与平衡恢复

2016 年 2 月，Boston Dynamics 发布新一代 Atlas（Next Generation Atlas），体型大幅缩小至身高 1.75 m、体重约 80 kg，并首次实现电池自主供电，不再依赖脐带式外接电源线。这一版本在结构上进行了大幅优化：通过采用更紧凑的液压回路布局和轻量化材料，在缩小体型的同时保持了与第一代相当的力矩输出能力。

这一版本展示了多项令人印象深刻的能力：在雪地中稳定行走、被人用曲棍球棒反复推打后通过实时重心调整恢复平衡、被踢翻放置在地上的纸箱后重新拾取物体并完成搬运。这些演示的技术意义在于，Atlas 能够将意外扰动（Disturbance）视为需要在线响应的事件，而非导致任务失败的故障——这依赖于对冲击力的实时感知与快速重规划能力。

发布视频在 YouTube 上数日内突破数百万次播放，并引发了关于机器人伦理的广泛讨论——部分观众对"虐待机器人"的测试画面感到不安，这一现象本身折射出社会对机器人拟人化的投射心理，也引发了学界对机器人道德地位（Moral Status）问题的讨论。

2017 年：后空翻突破

2017 年 11 月，Boston Dynamics 发布 Atlas 完成后空翻（Backflip）的视频。这是人形机器人首次在公开演示中完成完整的空中翻转动作，意味着机器人已能够在短暂脱离地面支撑的情况下完成高度非线性的动态运动。

从技术角度看，后空翻的挑战性在于整个腾空阶段（大约 0.5 秒）机器人完全失去与地面的接触，无法获得任何地面反力（Ground Reaction Force）来修正姿态。因此，起跳前的状态必须被精确控制——起跳角速度（Angular Velocity）的微小偏差都会导致落地时姿态严重偏离目标，进而引发跌倒。Boston Dynamics 通过接触隐式轨迹优化（Contact-Implicit Trajectory Optimization）生成了完整的后空翻参考轨迹，并借助鲁棒控制设计使 Atlas 能够在真实机器人上稳定复现仿真中优化出的轨迹。

该视频在 48 小时内获得超过 500 万次观看，被《自然》（Nature）、《科学》（Science）等学术媒体引用报道，并登上全球多家主流媒体头版，成为机器人领域的标志性事件。多位顶尖机器人学家在社交媒体上表示震惊，认为这一演示将人形机器人的动态运动能力的认知上限大幅提前了数年。

2018 年：跑酷与连续障碍跨越

2018 年 10 月，Atlas 展示了在户外场地独立完成跑步、跳上箱体、跨越原木等跑酷（Parkour）动作的能力，并以近乎流畅的方式连续完成多个动作。这一演示的核心意义在于：所有动作均在非事先精确测量的真实场地中完成，机器人需要依赖实时感知数据动态规划落脚点，而非依赖预设轨迹。

与此同时，演示中 Atlas 表现出了一定的错误恢复能力——在起跳时机略有偏差的情况下，Atlas 能够通过调整着陆姿态来避免跌倒，而非完全依赖预设动作的精确复现。这一特性被研究者解读为从"开环动作回放"向"闭环在线规划"过渡的重要迹象。

2021 年：体操例程与协同舞蹈

2021 年 8 月，Boston Dynamics 发布了 Atlas 完成完整体操例程（Gymnastics Routine）的视频，包括侧手翻、前后空翻的连续组合，以及单手支撑跳跃、旋转等高难度动作，最后以与 Spot 机器人狗、Handle 机器人共同舞蹈的片段收尾。

这一演示将先前碎片化的高难度动作整合为一个连贯的编排序列，证明了 Atlas 不仅能完成单个高难动作，还能可靠地将其串联执行。从工程角度看，连续动作之间的状态转换（Transition）是一大挑战——每个动作结束时的状态（位置、速度、角速度）必须落在下一个动作允许的初始状态范围内，否则无法成功衔接。Boston Dynamics 通过在轨迹优化阶段引入动作间的兼容性约束来解决这一问题。

视频获得超过 3000 万次播放，成为 Boston Dynamics 有史以来传播最广的内容之一。视频发布后，MIT、CMU、ETH Zürich 等高校的研究团队纷纷在社交媒体上讨论其中涉及的技术细节，进一步推动了相关算法的公开讨论与研究跟进。

2023 年：物体操作与工具使用

2023 年，Boston Dynamics 公开了 Atlas 在仓储环境中执行物体搬运与工具使用任务的演示。场景设定为：一名工人站在高台上需要工具包，工具包位于地面某处。Atlas 被要求自主识别工具包位置、拾取工具包并将其传递至高台上的工人，随后攀爬楼梯完成整个任务链。

此次演示涉及多个此前鲜见于 Atlas 演示中的能力：一是对非结构化场景（工具包散落于地面）的物体检测与位姿估计（Pose Estimation）；二是在运动状态下完成抓取与持握（Grasp-while-locomoting）；三是面向高台工人的物体交接（Handover），要求 Atlas 协调手臂运动与步态，在与人类的近距离交互中完成任务。

这一演示标志着 Atlas 从纯粹展示运动能力转向探索实际操作任务，也是液压版 Atlas 向工业应用方向迈出的重要一步，同时为同年宣布的电动版方向提供了铺垫。

2024 年：液压版退役与全电动版发布

2024 年 4 月，Boston Dynamics 正式宣布液压版 Atlas 退役，并发布全新的全电动 Atlas。Boston Dynamics 发布了一段名为"Farewell to HD Atlas"的告别视频，以略带幽默的方式展现了液压版 Atlas 十余年来的"高光时刻"与"糗事集锦"，包括多次跌倒的画面——这种自嘲式的告别在社交媒体引发大量情感共鸣，被广泛认为是一次成功的品牌传播。

同月发布的电动版 Atlas 宣传片以一段令人不安的画面开场：机器人从蜷缩的姿态通过关节超自然旋转缓慢起身，动作方式与人类完全不同，但极为流畅。这一设计被 Boston Dynamics 解释为电动版 Atlas 的关键特性之一：不受人体关节旋转范围的限制，可以选择最优的运动路径而非最"像人"的运动路径。

技术规格

电动版 Atlas（2024）

参数	规格
身高	约 1.5 m
体重	约 89 kg
驱动方式	全电动（Electric Actuators）
自由度（DOF）	28+
关节特性	多轴旋转关节，超 360° 旋转范围
感知系统	多传感器融合（摄像头、LiDAR、力/力矩传感器）
手部	多指灵巧手，可抓取不规则物体

液压版 Atlas（2016–2024）

参数	规格
身高	1.75 m
体重	约 80 kg
驱动方式	液压驱动（Hydraulic Actuators）
自由度（DOF）	28
行走速度	约 1.5 m/s
感知系统	LiDAR、立体视觉（Stereo Vision）、IMU
电源	外接电源或机载电池组
液压系统压力	约 2000 psi

第一代 Atlas（DRC 版，2013–2015）

参数	规格
身高	约 1.88 m
体重	约 150 kg
驱动方式	液压驱动
自由度（DOF）	28
电源	外接电源线（脐带供电）
感知系统	激光雷达、立体摄像头
主要用途	DRC 参赛平台

液压版控制架构

液压版 Atlas 的控制体系是其实现复杂运动的核心，融合了多个层次的算法模块，构成了一套从感知到执行的完整控制栈（Control Stack）。

液压伺服系统

Atlas 液压版的每个关节由一个液压缸（Hydraulic Cylinder）和对应的电液伺服阀（Electrohydraulic Servo Valve）驱动。液压系统的优势在于功率密度（Power Density）极高——每单位质量可提供的峰值力矩远超同等质量的电机，这对于后空翻等需要短时爆发的高动态动作至关重要。

液压系统的主要挑战包括：

• 非线性动力学：液压缸内的油液压缩性、伺服阀的非线性流量特性以及摩擦力使得精确力控制（Force Control）更为困难，需要额外的补偿算法。
• 温度敏感性：液压油的粘度随温度显著变化，导致系统在冷启动和长时间运行后的动态特性不一致。
• 维护成本：液压系统存在密封件磨损和液压油泄漏等长期维护问题，不适合高频率部署使用。

每个关节配备了位置传感器（Position Sensor）和力矩传感器（Torque Sensor），末端足部集成了六维力/力矩传感器（6-axis Force/Torque Sensor），用于实时检测与地面的接触力。惯性测量单元（Inertial Measurement Unit, IMU）安装于机器人躯干，以 1 kHz 的采样频率提供姿态（Orientation）与角速度（Angular Velocity）测量值，是状态估计器（State Estimator）的核心输入。

状态估计

在高动态运动中，精确的状态估计（State Estimation）是整个控制系统的基础。Atlas 的状态估计器融合了 IMU 测量值、关节编码器读数和足底力传感器数据，通过扩展卡尔曼滤波器（Extended Kalman Filter, EKF）估计机器人质心的位置、速度和姿态。

足底力传感器在接触状态检测中起关键作用：当足底力超过某一阈值时，系统判定该足处于接触状态，并将接触点的位置加入状态估计的约束集合（Constraint Set），从而提高位置估计精度。在腾空相（Flight Phase）期间，足底力为零，状态估计仅依赖 IMU 积分，误差会随时间累积，因此腾空相的持续时间必须尽可能短。

模型预测控制（MPC）层

Boston Dynamics 在液压版 Atlas 上采用了模型预测控制（Model Predictive Control, MPC）作为高层运动规划框架。MPC 在一个有限时域（Receding Horizon）内对机器人质心（Center of Mass, CoM）的运动轨迹进行在线优化，以线性倒立摆（Linear Inverted Pendulum, LIP）或质心动力学（Centroidal Dynamics）模型为基础，预测未来若干步的状态演化。

典型的 MPC 问题形式为：在给定当前状态和期望步态模式（Gait Pattern）的条件下，求解一个预测时域（例如未来 10 个控制步）内的最优质心轨迹和接触力序列，使质心跟踪误差和接触力之和最小，同时满足接触力的摩擦锥约束（Friction Cone Constraint）。

MPC 层的输出为期望质心轨迹和期望接触力序列，该输出作为参考指令传递给下层的全身控制器。在实际工程实现中，MPC 通常以 10–100 Hz 的频率运行，而下层的 WBC 则以 1 kHz 的频率执行，两层之间通过环形缓冲区（Ring Buffer）传递参考轨迹。

全身控制（WBC）层与 IHMC 软件库

全身控制（Whole-Body Control, WBC）层负责将高层的运动指令转化为每个关节的力矩命令。在 DRC 期间，多支参赛队伍使用了由佛罗里达州人机认知研究所（Institute for Human and Machine Cognition, IHMC）开源的 IHMC Robotics Library，该库提供了针对人形机器人全身控制的成熟实现，包括：

• 基于层次化二次规划（Hierarchical Quadratic Programming, HQP）的优化求解器
• 接触状态估计器（Contact State Estimator）
• 质心动量控制器（Centroidal Momentum Controller）
• 用于运动学正逆解的工具链（Kinematics Toolchain）

IHMC 团队在 DRC 中使用 Atlas 平台取得了第二名的成绩，其控制代码基础随后演变为学术界广泛使用的开源框架，为全身控制领域的研究提供了重要的工程参考。

仿真到真实（Sim-to-Real）方法

液压版 Atlas 的运动轨迹开发大量依赖于物理仿真（Physics Simulation）。Boston Dynamics 内部使用定制的刚体动力学仿真器，在仿真环境中对运动轨迹进行优化，随后将结果迁移到真实机器人上执行。

在这一过程中，接触隐式轨迹优化（Contact-Implicit Trajectory Optimization, CITO）是一种关键技术。与传统轨迹优化方法需要预先固定接触序列（例如"左脚先落地，然后右脚"）不同，CITO 将接触时机和接触力同时作为优化变量，允许求解器在优化过程中自由探索接触模式（Contact Mode）空间。这一特性使得后空翻等含有飞行相的轨迹的自动生成成为可能。

仿真到真实的主要挑战在于克服仿真误差（Sim-to-Real Gap），即仿真器对以下因素的近似误差：

• 液压系统的非线性特性（阀门流量曲线、密封摩擦）
• 地面柔性与接触模型参数（刚度、阻尼、摩擦系数）
• 机体柔性（连杆弯曲、关节间隙）

Boston Dynamics 通过系统辨识（System Identification）实验测量真实机器人的动态参数，更新仿真器模型；并通过鲁棒控制（Robust Control）策略设计对参数不确定性具有鲁棒性的控制器，以缩小仿真误差对实机表现的影响。

全身控制（WBC）框架

全身控制框架是现代人形机器人控制的核心范式之一，Atlas 的控制系统对这一框架的发展与推广起到了重要作用。

基本原理

全身控制的核心思想是：将机器人视为一个统一的多体动力学系统，在满足所有物理约束的前提下，通过求解一个优化问题同时确定所有关节的力矩指令，而非逐个关节独立设计控制器。这一整体优化方法可以自然地处理关节间的耦合动力学（Coupled Dynamics），并在多个任务目标发生冲突时找到全局最优的折中方案。

全身控制的目标是在满足物理约束的前提下，使机器人的整体运动尽可能地跟踪上层规划器给出的多个任务目标。这些任务目标通常以层次化（Hierarchical）方式排列，例如：

1. 最高优先级：运动学可行性与关节力矩限制（安全约束，不可违背）
2. 次优先级：接触力约束（不滑动、不穿透地面）
3. 再次优先级：质心轨迹跟踪（保证整体平衡）
4. 最低优先级：上肢姿态调整与能耗最小化（次要任务）

数学建模

机器人全身动力学方程（Equation of Motion, EoM）可写为：

$$M(q)\dot{v} + C(q, v) = S^\top \tau + J_c^\top f_c$$

其中 $q$ 为广义坐标（Generalized Coordinate），$v$ 为广义速度，$M(q)$ 为质量矩阵（Mass Matrix），$C(q,v)$ 为包含科里奥利力（Coriolis Force）和重力（Gravity）的非线性项，$S$ 为选择矩阵（Selection Matrix，区分驱动自由度与浮动基座的非驱动自由度），$\tau$ 为关节力矩向量，$J_c$ 为接触雅可比（Contact Jacobian），$f_c$ 为接触力向量（Contact Force Vector）。

WBC 通过在每个控制周期（通常为 1 kHz）求解一个二次规划（Quadratic Programming, QP）问题来确定最优关节力矩：

$$\min_{u} \|W(u - u_d)\|^2$$

其中 $u$ 为决策变量（包含关节力矩 $\tau$ 和接触力 $f_c$），$u_d$ 为期望值，$W$ 为对角权重矩阵（Diagonal Weight Matrix），用于对不同任务分量的相对重要性进行加权。

约束条件包括：

• 全身动力学方程（等式约束）：$M(q)\dot{v} + C(q,v) = S^\top \tau + J_c^\top f_c$
• 接触摩擦锥（Friction Cone，不等式约束）：$\|f_{c,t}\| \leq \mu f_{c,n}$，其中 $\mu$ 为摩擦系数，$f_{c,n}$ 和 $f_{c,t}$ 分别为接触力的法向分量和切向分量
• 关节力矩限制（不等式约束）：$\tau_{\min} \leq \tau \leq \tau_{\max}$
• 接触点无滑动条件（等式约束，在稳定接触阶段）：$J_c \dot{v} + \dot{J}_c v = 0$

该 QP 问题的规模通常为数十到数百个决策变量，可由高效的二次规划求解器（如 qpOASES 或 OSQP）在亚毫秒量级内求解，满足实时控制的时间要求。

任务优先级与层次 QP

在实践中，当多个任务目标发生冲突时，需要引入任务优先级机制。层次化二次规划（Hierarchical QP, HQP）方法通过严格层次（Strict Priority）或带权重的单层 QP（Weighted Single-Level QP）来处理优先级关系：

• 严格层次 HQP：依次求解多个 QP 问题，每个低优先级问题在高优先级问题的残差构成的约束空间中求解，保证高优先级任务的残差不会被低优先级任务污染，但需要级联求解多个 QP，计算代价随任务层数增加而增大。
• 带权重的单层 QP：将所有任务目标合并为一个加权目标函数，通过权重差异（通常相差数个数量级）近似实现优先级，计算代价仅为一个 QP，更适合实时实现，但权重调整需要经验。

Atlas 使用的控制框架在工程实现上采用了带任务层次的单层 QP，通过显著区分各任务的权重（例如安全相关约束权重为 $10^6$，次要任务权重为 $1$）来近似实现严格优先级，同时保持足够的求解速度以满足 1 kHz 实时控制要求。

接触状态切换

WBC 框架中另一个关键问题是接触状态的切换（Contact Mode Switching）。在步行过程中，每一步都伴随着足部从摆动状态（Swing State，无接触力约束）到支撑状态（Stance State，受接触力约束）的切换。切换时刻的判断依赖足底力传感器读数，当检测到接触力超过预设阈值时，控制器将对应足的接触雅可比加入约束集合，并在下一个控制周期开始以双支撑（Double Support）模式求解 QP。

接触状态的误判（例如将尚未触地的摆动足误判为已接触地面）会导致控制器施加错误的约束，进而导致关节力矩异常乃至机器人失稳，因此接触状态检测的可靠性对整个控制系统至关重要。

运动规划

落脚点规划（Footstep Planning）

Atlas 在非结构化地形上行走时，需要实时规划每一步的落脚点（Footstep）。落脚点规划是运动规划层的核心任务，其输出为一个有序的落脚点序列，供步态控制器（Gait Controller）逐步执行。

落脚点规划算法以点云（Point Cloud）或高程图（Elevation Map）为输入，结合机器人当前姿态与步态状态，在候选落脚区域中搜索满足以下条件的落脚序列：

• 运动学可达性：落脚点必须在机器人腿部的运动学可达范围（Reachability）内
• 平坦性：落脚区域的局部地形倾角不超过允许范围
• 稳定性：落脚序列需保证质心运动的整体稳定性
• 连续性：相邻落脚点之间的步幅（Step Length）和步宽（Step Width）需满足运动约束

常用方法包括：

• A* 图搜索：在离散化的落脚点候选集合上进行启发式搜索，速度快，适合实时规划
• 混合整数规划（Mixed-Integer Programming, MIP）：将地形约束建模为整数变量，实现全局最优搜索，但计算代价较高
• 强化学习（Reinforcement Learning, RL）策略：近年来逐渐被引入落脚点规划，通过端到端学习直接从点云输出落脚点，无需显式的地形分析步骤

DRC 期间，多支团队采用了人机协同的半自主（Semi-Autonomous）策略：操作员在点云可视化界面中审核并确认系统给出的落脚点建议，以降低在复杂场景中的规划失败风险。这一"人在回路"（Human-in-the-Loop）模式在自主程度和安全性之间取得了当时条件下的最优折中。

摆动腿轨迹优化（Swing Trajectory Optimization）

在两个落脚点之间，摆动腿（Swing Leg）的轨迹需要在满足避障约束的同时，使关节力矩尽可能平滑以减少能耗并降低机械冲击。

常见做法是以多项式样条（Polynomial Spline，通常为五次或七次多项式）参数化摆动轨迹：给定起点（当前足部位置）、终点（目标落脚点）以及轨迹最高点（Apex），求解满足边界条件（起点和终点处速度、加速度为零）的多项式系数。在存在障碍物（如台阶边缘）的情况下，还需在中间添加路径点（Via Point）以约束轨迹形状，确保足部在抬起时不与障碍物发生碰撞。

对于更复杂的场景（如跨越宽幅障碍），可以采用数值轨迹优化方法，以避障约束和关节加速度最小化为目标，通过非线性规划（Nonlinear Programming, NLP）求解器得到全局最优摆动轨迹。

ZMP 准则与质心动力学

早期双足机器人稳定性分析以零力矩点（Zero Moment Point, ZMP）准则为主——ZMP 定义为地面上使地面反力矩（Ground Reaction Moment）在水平方向分量为零的点，当 ZMP 落在支撑多边形（Support Polygon）内部时，机器人不会发生绕脚尖的准静态翻倒。

ZMP 准则的优点是计算简单，可直接通过足底力传感器测量 ZMP 位置，并以此作为稳定性实时监测指标。然而，ZMP 准则的根本局限在于它仅适用于质心高度恒定的准静态（Quasi-Static）运动假设，无法描述 Atlas 在跑步、跳跃或后空翻时的高动态运动状态——这些运动中质心高度剧烈变化，且存在完全失去地面接触的腾空相。

为此，Boston Dynamics 转向基于质心动力学（Centroidal Dynamics）的方法：

$$\dot{h} = \sum_i f_{c,i} + m g$$

$$\dot{k} = \sum_i \left( r_i \times f_{c,i} + \tau_{c,i} \right)$$

其中 $h$ 为系统线动量，$k$ 为系统角动量，$r_i$ 为接触点位置向量，$f_{c,i}$ 和 $\tau_{c,i}$ 为各接触点处的接触力和力矩，$m$ 为机器人总质量，$g$ 为重力加速度向量。

质心动力学方法将全身的线动量和角动量作为统一的规划变量，允许在腾空相中对角动量的变化进行显式规划，从而支持包含飞行相的高动态运动轨迹的生成与控制。

全电动版 Atlas（2024）技术亮点

驱动系统革新

2024 年发布的全电动 Atlas 彻底摒弃了液压系统，转向高性能电动执行器（Electric Actuator）驱动方案。相较于液压驱动，电动驱动的核心优势包括：

• 力控精度更高：电动执行器可通过电流环（Current Loop）直接控制输出力矩，电气响应时间常数通常在毫秒量级，远快于液压系统受管路容积限制的动态响应；这使得精细的阻抗控制（Impedance Control）和柔顺控制（Compliant Control）更易实现。
• 能效更优：液压泵在机器人运动的任何阶段都持续消耗能量以维持系统压力，而电动系统在静止或低负载时几乎不消耗额外能量；在典型的工业作业场景中（大量时间处于等待和低速运动状态），电动系统的总体能效显著优于液压系统。
• 维护成本更低：消除了液压油泄漏、密封件磨损和液压管路维护等问题，系统结构更简洁，适合在生产环境中长时间稳定运行；预计维护间隔和生命周期成本均优于液压版。
• 噪声更低：液压泵产生的工作噪声在工业环境中较为明显，全电动方案显著降低了机器人的运行噪声，改善了人机协作体验。

多轴关节与 360° 旋转

电动版 Atlas 在关节设计上引入了多轴旋转关节（Multi-Axis Rotational Joint），部分关节的旋转范围超过 360 度，打破了仿生人类关节结构的传统设计约束。这一设计使 Atlas 能够以"反人类"的方式完成动作：例如在宣传视频中展示的，机器人从俯卧位通过腰部关节超自然旋转直接起身，而非模拟人类先侧翻再跪起的起身方式。

这种设计哲学体现了 Boston Dynamics 对"最优运动"（Optimal Motion）而非"拟人运动"（Anthropomorphic Motion）的追求——机器人不必受人体运动范围的约束，只需以最高效的方式完成任务目标。这一理念与当前人形机器人领域另一种常见设计哲学形成对比：后者倾向于保持与人类相似的运动模式，以便在人类设计的环境和工具中无缝使用。

新型灵巧手设计

电动版 Atlas 配备了全新设计的灵巧手（Dexterous Hand），具备多个手指的独立控制能力，可抓取形状不规则的工业零件。与液压版 Atlas 的夹爪式手部相比，电动版的灵巧手在抓取形态的多样性和接触点分布的可控性上有显著提升。

手部集成了触觉传感器（Tactile Sensor）和指尖六维力传感器，支持基于力反馈（Force Feedback）的精细操作——当手指与物体接触时，系统可实时感知接触力的大小和方向，通过调整抓握力度避免损坏易碎零件或因抓握力不足导致零件滑落。

新手部设计专门针对 Hyundai 汽车制造场景中的零件搬运和装配任务进行了优化，重点提升了对扁平板件和异形零件的抓取可靠性，以及在运动过程中维持稳定抓握的能力。

感知系统升级

电动版 Atlas 的感知系统采用了更紧凑的传感器布局，头部集成了宽视场（Wide Field-of-View）摄像头阵列和结构光深度传感器（Structured Light Depth Sensor），能够在近距离操作场景中提供高精度的手眼协调（Hand-Eye Coordination）能力。

与液压版依赖较大体积 LiDAR 传感器进行场景扫描不同，电动版更侧重于基于视觉的近场感知（Near-Field Perception），这与其主要面向工业操作场景（而非大范围自主导航）的定位相符。此外，电动版 Atlas 的感知系统更深度地集成了深度学习推理模块，用于物体检测（Object Detection）、位姿估计（Pose Estimation）和抓取点预测（Grasp Point Prediction）。

全身控制与电动执行器的协同

相较于液压版，电动执行器的快速响应特性使得 WBC 求解器的控制指令能够更忠实地被执行，减少了控制器设计中需要额外补偿的执行器动态（Actuator Dynamics）影响。这意味着电动版 Atlas 的控制模型与真实系统的差距（Model Mismatch）更小，基于模型的控制方法能够发挥更好的效果。

同时，电动执行器的力矩带宽（Torque Bandwidth）更高，使 WBC 能够以更高的控制频率跟踪力矩指令，进一步提升动态运动中的跟踪精度和干扰抑制能力。Boston Dynamics 在电动版 Atlas 上保留并深化了 WBC 框架，结合电动系统的特性对求解器参数和任务权重进行了重新调优。

Hyundai 工业应用

Boston Dynamics 与现代汽车集团的战略协同

2020 年，现代汽车集团（Hyundai Motor Group）以约 11 亿美元收购 Boston Dynamics 约 80% 的股份，这一收购从战略上赋予了 Atlas 明确的商业应用路径。现代汽车集团不仅是全球产量最大的汽车制造商之一，还在全球多个国家拥有高度自动化的制造工厂，其中大量工位尚未实现完全自动化——尤其是涉及复杂装配、质量检测和物料搬运的非标准化工位，正是人形机器人的潜在切入空间。

收购完成后，Boston Dynamics 获得了在真实工厂环境中测试和迭代 Atlas 的机会，这对于从受控实验室到真实部署场景的跨越至关重要。现代汽车集团旗下的先进工厂（如美国佐治亚州梅塔普兰特工厂）被规划为 Atlas 早期工业试点的试验场。

规划中的工厂应用任务

Boston Dynamics 公布的路线图中，电动版 Atlas 的近期目标是在 Hyundai 汽车制造环境中执行以下类型的任务：

• 零件搬运（Parts Logistics）：在生产线工位间搬运重量超过人体工程学安全限制（通常为 25 kg）的零件，降低工人的重复性劳损伤（Repetitive Strain Injury, RSI）风险，同时减少对传统 AGV（Automated Guided Vehicle）难以到达区域的依赖。
• 装配辅助（Assembly Assistance）：协助工人完成需要额外支撑或精确定位的装配步骤，例如在车身焊接前保持车门或车顶零件的准确位置，解放工人双手用于执行精细操作。
• 质量检测（Quality Inspection）：使用机载视觉系统对产品表面或装配结果进行初步检测，将异常样本（如表面划痕、螺栓漏拧）标记以供人工复核，提高检测覆盖率并减少人工检测的疲劳误差。
• 非标工位操作（Unstructured Station Operation）：在尚未实现完全自动化的工位中作为灵活补充，处理工件姿态多样、难以用固定机械臂（Fixed-Base Robot Arm）覆盖的装配或搬运场景。

部署挑战与路线图

将 Atlas 部署至工厂环境面临若干工程挑战，Boston Dynamics 已公开承认这些挑战并制定了分阶段的应对策略：

• 安全认证：人形机器人与人类共享工作空间，属于协作机器人（Collaborative Robot, Cobot）范畴，需通过严格的功能安全（Functional Safety）认证，包括 ISO 13849（机械安全）和 ISO 10218（工业机器人安全）等标准。这要求 Atlas 具备可靠的力限制（Force Limiting）和速度限制（Speed Limiting）功能，以及在检测到人员进入安全区域时的紧急停止能力。
• 任务鲁棒性：工厂零件的位置与姿态存在一定随机性（由供料精度决定），要求 Atlas 的感知与抓取系统对工件位姿变化具有足够的鲁棒性，能够处理位置偏差在数厘米、角度偏差在十余度范围内的抓取任务。
• 维护周期与可靠性：商业部署要求更长的无故障运行时间（Mean Time Between Failures, MTBF）和更低的维护频率。Boston Dynamics 表示，电动版 Atlas 的设计目标是实现与工业机器人臂相当的可靠性水平，并提供可快速更换的模块化关节设计以缩短维修停机时间。

研究影响

Atlas 对机器人研究领域的影响是多维度的，其贡献远超一台具体的硬件产品。

推动全身控制理论发展

Atlas 的高动态运动演示为全身控制（WBC）理论的快速发展提供了最具说服力的验证平台。自 2016 年以来，以 WBC 为核心的论文数量在 ICRA（IEEE International Conference on Robotics and Automation）、IROS（IEEE/RSJ International Conference on Intelligent Robots and Systems）和 RAL（IEEE Robotics and Automation Letters）等顶级会议和期刊中显著增长。许多研究团队基于 Atlas 的开放规格（在 DRC 期间由 DARPA 提供）开发了新的控制算法，并在 Gazebo 或 MuJoCo 仿真器中与 Atlas 模型进行验证。

Drake（MIT 开发的机器人数学软件库）专门为 Atlas 模型提供了详细的仿真支持，成为控制算法开发的重要工具。Kuindersma 等人在 2016 年发表于 Autonomous Robots 的论文系统总结了 Atlas 的运动控制框架，成为人形机器人控制领域引用量最高的论文之一。

激励竞品机器人的研发

Atlas 的持续突破极大地激励了其他机构加速人形机器人研发。特斯拉（Tesla）在 2021 年宣布研发 Optimus（擎天柱）时，马斯克（Elon Musk）明确将 Atlas 作为参照对象，并承诺 Optimus 将比 Atlas 更便宜、更实用。国内方面，宇树科技（Unitree Robotics）、智元机器人、宇航科技、傅利叶智能等公司，以及国际上的 Agility Robotics（Digit）、Figure AI（Figure 01/02）等，均在 Atlas 奠定的技术基础上进行了针对商业化场景的差异化研发。

Atlas 的竞品效应不仅体现在技术层面，也体现在资本市场：Atlas 的每一次重大演示往往伴随着整个人形机器人赛道的融资活跃度上升，投资者将 Atlas 的演示视为行业技术可行性的重要信号。

推动动态操作研究

2023 年 Atlas 的工具操作演示将机器人研究的关注点从纯粹的运动控制拓展到动态操作（Dynamic Manipulation）——即在机器人运动过程中同步完成物体抓取、搬运和放置任务。这一方向要求运动控制（Locomotion Control）与操作规划（Manipulation Planning）的深度耦合（Loco-Manipulation），是当前人形机器人研究最活跃的前沿之一。

以 Atlas 为背景的具身智能（Embodied Intelligence）研究也日益增多，探索如何将大型语言模型（Large Language Model, LLM）或视觉语言模型（Vision-Language Model, VLM）与低层运动控制结合，使 Atlas 能够理解自然语言指令并将其转化为具体的运动序列。

改变公众对机器人的认知

Atlas 的系列视频在非专业群体中广泛传播，使"人形机器人"从科幻概念变为具体可感的技术现实。这一认知转变对政策制定者、投资者和公众产生了深远影响，在一定程度上加速了全球范围内对人形机器人产业的资本投入和政策关注。

2021 年体操视频之后，多国政府将人形机器人纳入科技战略规划，中国工业和信息化部（Ministry of Industry and Information Technology）于 2023 年发布的《人形机器人创新发展指导意见》明确将人形机器人列为战略新兴产业，这一政策背景与 Atlas 等机器人营造的全球认知高度有着直接关联。

与竞品对比

下表对比了目前主要人形机器人平台的关键参数（以电动版 Atlas 为参照，数据截至 2024 年底）：

参数	Atlas（电动版，2024）	Optimus Gen 2（Tesla）	Figure 02（Figure AI）	H1（Unitree）
制造商	Boston Dynamics	Tesla	Figure AI	Unitree Robotics
发布年份	2024	2023	2024	2023
身高	约 1.5 m	约 1.73 m	约 1.68 m	约 1.8 m
体重	约 89 kg	约 57 kg	约 70 kg	约 47 kg
驱动方式	全电动	全电动	全电动	全电动
自由度（DOF）	28+	28	35	19
行走速度	未公布	约 0.5 m/s	约 1.2 m/s	约 1.8 m/s
灵巧手	有（多指）	有（多指）	有（多指）	有（三指）
主要定位	工业制造（Hyundai）	特斯拉工厂	工业通用	研究与工业
开放 SDK	否	否	否	是
运动控制方法	WBC + MPC	强化学习为主	强化学习为主	强化学习为主
代表性能力	高动态运动、超 360° 关节旋转	精细手部操作	整车零件操作	高速行走、开发者友好

注：上表中的参数来自各公司公开发布的数据，部分参数（尤其是仍在迭代中的产品）可能在后续更新中发生变化。各机器人的实际性能会随软件版本迭代而持续演进，上表仅反映公开信息的快照。

从对比中可以观察到以下几个行业趋势：

• 轻量化：除 Atlas 电动版外，其他竞品均以减重为重要设计目标，以降低安全风险并提高能效。Atlas 电动版体重偏高，部分原因在于其优先考虑输出力矩和动态运动能力，而非便携性。
• 强化学习渗透：大多数新一代人形机器人的运动控制以端到端强化学习（End-to-End Reinforcement Learning）为主要技术路线，通过在大规模仿真环境中训练策略网络（Policy Network），再迁移至真实机器人；这与 Atlas 长期坚持的基于模型的优化控制方法形成对比。两种路线各有优劣：基于模型的方法可解释性强、对约束的处理更精确；强化学习方法在面对未知扰动和新环境时泛化能力更强，但训练代价高且策略行为难以解释。
• 开放生态差异：宇树等公司通过开放 SDK（Software Development Kit）和提供 ROS（Robot Operating System）接口，积极吸引高校和独立开发者构建第三方应用生态；而 Boston Dynamics 选择聚焦专有工业应用场景，以闭环系统提供更高的可靠性保证和定制化服务。
• 操作能力的差距：目前大多数竞品的灵巧操作（Dexterous Manipulation）能力仍显著弱于运动能力，如何将高动态运动与精细操作有机结合，是整个行业面临的共同挑战，也是下一阶段竞争的核心维度。

Boston Dynamics 与 Atlas

Boston Dynamics 成立于 1992 年，由马克·雷伯特（Marc Raibert）创立，脱胎于麻省理工学院（Massachusetts Institute of Technology, MIT）的腿足实验室（Leg Laboratory）。公司的核心研究基因来自 Raibert 在 MIT 期间对弹跳腿（Raibert Hoppers）的基础研究——这些仅有一条弹跳腿的早期机器人通过独特的能量泵入与姿态控制机制实现了动态稳定奔跑，奠定了动态稳定性控制（Dynamic Stability Control）的理论基础，并直接影响了后来 Atlas 的控制哲学。

公司先后经历了以下所有权变更：

• 2013 年：Google（现 Alphabet）以约 3.75 亿美元收购 Boston Dynamics，时值 DRC 项目开展，此次收购引发了关于科技巨头进入军用机器人领域的广泛讨论
• 2017 年：软银（SoftBank）以约 1.65 亿美元从 Alphabet 收购，期间 Boston Dynamics 在软银旗下专注于技术研发，产品化进程相对缓慢
• 2020 年：现代汽车集团以约 11 亿美元收购约 80% 股份，标志着 Boston Dynamics 进入以商业化为核心战略的新阶段

在所有权多次更迭中，Atlas 项目始终是公司核心技术展示窗口，其持续迭代所积累的控制技术、工程经验和品牌效应，是 Boston Dynamics 在竞争激烈的人形机器人市场中维持领先地位的重要资产。

Boston Dynamics 目前同时运营多个机器人产品线：Spot（四足机器人，已商业化）、Stretch（仓储码垛机器人）和 Atlas（人形机器人，仍处于从研究到商业化的过渡阶段）。Spot 的商业化成功为公司提供了稳定的现金流，也积累了大量在真实工业场景部署和维护机器人的工程经验，这些经验对 Atlas 的工业化落地具有重要的参考价值。

技术前景与挑战

尽管 Atlas 在动态运动领域已处于世界领先水平，其实现大规模商业部署仍面临多项需要突破的技术挑战。

具身智能与任务泛化

当前 Atlas 的能力主要依赖于针对特定任务事先设计和优化的控制策略，每类新任务（如新的抓取形态或新的地形类型）通常需要专门的工程开发投入。实现真正意义上的任务泛化（Task Generalization）——即让 Atlas 能够根据自然语言描述或少量示范自动学习新任务——是当前具身人工智能（Embodied AI）研究的核心目标。

Boston Dynamics 已公开表示正在探索将基础模型（Foundation Model）与底层运动控制结合的技术路径，以实现更灵活的任务规划与执行能力。这一方向的进展将决定 Atlas 能否从"为特定任务定制的专用系统"进化为"可通用部署的通用机器人劳动力"。

续航与能源管理

电动版 Atlas 的电池续航时间目前尚未公开披露，但这是工业部署中的关键约束之一。人形机器人在执行搬运等高负载任务时的功耗显著高于四足机器人，如何在可接受的机体重量和体积约束下实现足够长的工作续航（目标通常为 4 小时以上的连续作业），是电动驱动方案需要持续优化的重要方向。

成本与规模化制造

Atlas 当前的制造成本预计远高于传统工业机器人臂，这是其大规模工业部署的主要经济障碍。Boston Dynamics 需要在保持技术性能的前提下，通过供应链优化、模块化设计和规模化生产显著降低单台成本，使 Atlas 的总拥有成本（Total Cost of Ownership, TCO）与其在工业应用中创造的价值相匹配。

参考资料

1. Atlas, Boston Dynamics 官网
2. Atlas (robot), Wikipedia
3. Farewell to HD Atlas, Boston Dynamics Blog, 2024
4. DARPA Robotics Challenge Finals, DARPA 官网
5. Koolen T. et al., "Design of a Momentum-Based Control Framework and Application to the Humanoid Robot Atlas", International Journal of Humanoid Robotics, 2016
6. Feng S. et al., "Optimization-based Full Body Control for the DARPA Robotics Challenge", Journal of Field Robotics, 2015
7. Kuindersma S. et al., "Optimization-based locomotion planning, estimation, and control design for the Atlas humanoid robot", Autonomous Robots, 2016
8. Winkler A. W. et al., "Gait and Trajectory Optimization for Legged Systems Through Phase-Based End-Effector Parameterization", IEEE Robotics and Automation Letters, 2018
9. Atlas Does Gymnastics, Boston Dynamics YouTube 频道, 2021
10. New Atlas, Boston Dynamics Blog, 2024
11. Posa M. et al., "A Direct Method for Trajectory Optimization of Rigid Bodies Through Contact", International Journal of Robotics Research, 2014
12. 人形机器人创新发展指导意见, 中国工业和信息化部, 2023