波士顿动力 | Boston Dynamics

引言

波士顿动力（Boston Dynamics）是全球最具影响力的机器人公司之一，以其在动态运动控制领域的突破性成就著称。从马克·雷伯特（Marc Raibert）在麻省理工学院腿部实验室的早期研究出发，经过三十余年的技术积累，波士顿动力已将动态平衡理论转化为 BigDog、Atlas、Spot、Handle 和 Stretch 等一系列里程碑式的机器人产品，深刻改变了人类对机器人运动能力极限的认知。

公司历史

创始背景与 MIT 腿部实验室

波士顿动力的技术根脉可以追溯到 20 世纪 80 年代麻省理工学院（MIT）的腿部实验室（Leg Laboratory）。马克·雷伯特（Marc Raibert）于 1980 年加入 MIT，专注于研究动态平衡与奔跑机器的控制问题。

1983 年，雷伯特团队研制出单腿跳跃机器人"Raibert Hopper"，这是世界上首台能够动态自稳定跳跃的机器人。该机器人证明了一个关键思想：通过在每个落脚点精确调节脚的落点位置，即可维持奔跑过程中的动态平衡，而无需依赖静态支撑多边形。这一理论后来被形式化为弹跳腿倒立摆（Spring-Loaded Inverted Pendulum，SLIP）模板模型，成为整个足式机器人领域的理论基础。

雷伯特团队随后将单腿跳跃机器人的原理推广到双腿和四腿系统，研制了一系列奔跑机器人，最高速度达到当时的记录水平。这些早期研究确立了一套以"运动中控制、落脚点调节、姿态恢复"为核心的动态运动哲学，这一哲学贯穿了波士顿动力此后所有产品的设计。

公司成立与早期 DARPA 合作

1992 年，马克·雷伯特从 MIT 腿部实验室独立出来，正式创立波士顿动力公司，初始核心团队由其在 MIT 的研究伙伴组成。公司创立之初即与美国国防高级研究计划局（Defense Advanced Research Projects Agency，DARPA）建立了深度合作关系。

DARPA 在此后二十年间为波士顿动力提供了大量研发资金，支持了 BigDog、LS3、Atlas 等重量级项目。这种军方科研资助模式使得波士顿动力得以在商业化压力有限的环境下专注于技术突破，形成了其独特的"技术驱动、演示先行"的公司文化。

公司早期还承接了 DI-Guy 人物仿真软件业务，与美国系统公司合作，为美国海军航空作战中心训练处（NAWCTSD）开发基于三维人物互动仿真的训练系统，以取代传统的舰载机弹射任务训练影片。

所有权变迁史

时间	事件	交易金额
1992 年	Marc Raibert 从 MIT 独立创立，私有公司	—
2013 年 12 月	Google 母公司 Alphabet 收购	未公开（估计数亿美元）
2017 年 6 月	软银集团（SoftBank Group）收购	约 1 亿美元
2021 年 6 月	现代汽车集团（Hyundai Motor Group）完成收购 80% 股权	约 11 亿美元

Google/Alphabet 时期（2013—2017）：Google 在 2013 年底密集收购了多家机器人公司，波士顿动力是其中最重要的标的。在 Google 旗下期间，波士顿动力相对独立运作，持续推进 Atlas、Spot（早期版本 SpotMini）等项目的研发，但据报道与 Google 在商业化路径上存在分歧，最终导致出售。

软银时期（2017—2021）：软银以约 1 亿美元的相对较低价格接手波士顿动力。这一时期，波士顿动力首次将 Spot 推向商业市场（2019 年），标志着公司从纯研究驱动转向产品商业化的重要转型。

现代时期（2021 年至今）：韩国现代汽车集团于 2020 年 12 月宣布、2021 年 6 月完成以约 11 亿美元收购波士顿动力约 80% 股权的交易，软银通过附属公司继续持有约 20% 股份。现代集团的战略意图在于将机器人技术与智能制造、未来出行（Future Mobility）生态深度融合。

关键技术方法

模板模型：SLIP 与弹簧质量系统

波士顿动力的运动控制哲学建立在"模板模型（Template Model）"的理论框架之上。模板模型是一种高度简化的动力学模型，用于捕捉复杂生物体或机器人运动的本质规律，再将其映射到真实系统的控制上。

最核心的模板模型是弹簧腿倒立摆（Spring-Loaded Inverted Pendulum，SLIP）。SLIP 模型将整个机器人简化为一个质点加一根无质量弹性腿，通过控制弹簧刚度和落脚角度来维持奔跑中的动态平衡。其状态方程可以写为：

$$m\ddot{\mathbf{r}} = \mathbf{F}_{\text{spring}} + m\mathbf{g}$$

其中 $\mathbf{r}$ 为质心位置，$\mathbf{F}_{\text{spring}} = k(l_0 - |\mathbf{r} - \mathbf{r}_{\text{foot}}|)\hat{l}$ 为弹性腿产生的恢复力，$k$ 为等效腿刚度，$l_0$ 为自然腿长。

在 SLIP 框架下，落脚点的选择至关重要。雷伯特提出的落脚点调节法则为：

$$x_{\text{foot}} = x_{\text{hip}} + \frac{\dot{x} T_{\text{stance}}}{2} + \frac{1}{2}\sqrt{\frac{l_0}{g}}(\dot{x} - \dot{x}_d)$$

其中 $T_{\text{stance}}$ 为支撑相时长，$\dot{x}_d$ 为期望速度，最后一项为速度误差补偿项。这一简洁规则使机器人即便受到推搡也能快速恢复平衡。

轨迹优化与接触隐式规划

对于更复杂的动作序列（如翻跟斗、跑酷），波士顿动力采用序列轨迹优化（Sequential Trajectory Optimization，STO）和接触隐式优化（Contact-Implicit Optimization）方法。

接触隐式优化将接触力和接触时序作为优化变量，与运动轨迹联合求解，无需预先指定接触序列。其优化问题一般形式为：

$$\min_{\mathbf{q}, \dot{\mathbf{q}}, \mathbf{u}, \boldsymbol{\lambda}} \int_0^T \ell(\mathbf{q}, \dot{\mathbf{q}}, \mathbf{u}) \, dt$$

$$\text{s.t.} \quad M(\mathbf{q})\ddot{\mathbf{q}} + C(\mathbf{q}, \dot{\mathbf{q}}) = \mathbf{S}^T\mathbf{u} + \mathbf{J}_c^T\boldsymbol{\lambda}$$

$$\boldsymbol{\lambda} \geq 0, \quad \phi(\mathbf{q}) \geq 0, \quad \boldsymbol{\lambda} \cdot \phi(\mathbf{q}) = 0$$

其中 $\mathbf{q}$ 为广义坐标，$\boldsymbol{\lambda}$ 为接触力，$\phi(\mathbf{q})$ 为距离约束，最后一个方程为互补条件（Complementarity Condition），表达"要么有接触力、要么有间隙"的物理约束。

全身控制与分层二次规划

全身控制（Whole-Body Control，WBC）是波士顿动力在 Atlas 等人形机器人上实现高动态性能的核心技术。WBC 将机器人的多个控制目标（质心轨迹、末端执行器位置、关节力矩限制、摩擦锥约束等）表达为一个分层二次规划（Hierarchical QP）问题，按优先级依次求解：

1. 第一优先级：运动方程约束、接触约束（等式约束）
2. 第二优先级：质心动量控制目标（最小化加速度误差）
3. 第三优先级：末端执行器任务（操作臂跟踪目标）
4. 第四优先级：关节阻尼、姿势参考（正则化）

每一层在不违反更高优先级约束的前提下，最小化本层的加权代价函数：

$$\min_{\ddot{\mathbf{q}}, \boldsymbol{\lambda}, \boldsymbol{\tau}} \| \mathbf{J}_i \ddot{\mathbf{q}} + \dot{\mathbf{J}}_i \dot{\mathbf{q}} - \mathbf{a}_i^{\text{ref}} \|_{\mathbf{W}_i}^2$$

线性二次型调节器与平衡控制

对于直立平衡控制，波士顿动力大量使用线性二次型调节器（Linear Quadratic Regulator，LQR）。将机器人线性化为倒立摆模型后，状态反馈控制律为：

$$u = -K(x - x_d)$$

其中 $x$ 为系统状态（质心位置、速度、姿态角及其导数），$x_d$ 为期望状态，增益矩阵 $K$ 通过求解代数黎卡提方程（Algebraic Riccati Equation）得到：

$$A^T P + PA - PBR^{-1}B^T P + Q = 0, \quad K = R^{-1}B^T P$$

其中 $Q$ 为状态代价权重矩阵，$R$ 为控制代价权重矩阵，两者的选取决定了平衡控制的响应速度与能量消耗之间的权衡。

感知系统：多传感器融合

波士顿动力机器人的感知系统采用多传感器融合架构，典型配置包括：

• 立体视觉相机（Stereo Camera）：用于近距离障碍物检测和地形估计，提供稠密深度图
• 激光雷达（LiDAR）：提供中远距离的精确三维点云，用于建图和定位
• 惯性测量单元（Inertial Measurement Unit，IMU）：高频（通常 1 kHz）测量机体加速度和角速度，是动态控制的核心传感器
• 足端力传感器（Foot Force Sensor）：测量各腿接触力，用于判断接触状态和地形硬度

地形估计算法将 LiDAR 点云和立体视觉深度图融合为高程图（Elevation Map），机器人基于此地图进行步态规划和落脚点选择。Spot 使用的视觉里程计（Visual-Inertial Odometry，VIO）将相机和 IMU 数据紧耦合融合，在无 GPS 环境下实现厘米级定位精度。

Atlas 完整历史

DRC 竞赛背景（2012—2015）

Atlas 的诞生直接源于 DARPA 机器人挑战赛（DARPA Robotics Challenge，DRC）。2011 年福岛核事故暴露出人类在极端灾害环境中操作能力的严重局限，DARPA 随即于 2012 年启动 DRC 项目，目标是推动能在人类工作环境中执行灾害响应任务的双足机器人研发。

DRC 竞赛要求参赛机器人完成以下八类任务：

1. 驾驶车辆行驶特定路线
2. 出车门并在崎岖地形行走
3. 清除道路障碍物
4. 攀爬梯子
5. 使用电动工具在混凝土墙上开孔
6. 关闭工业阀门
7. 连接消防水管接头
8. 意外任务（仅在决赛公布）

DARPA 为多支参赛队伍提供了 Atlas 机器人硬件平台，波士顿动力作为 Atlas 供应商参与其中，同时也直接资助了若干顶级参赛团队。2015 年 DRC 决赛中，来自韩国的 KAIST 队以机器人 DRC-HUBO 获得冠军，波士顿动力的内部团队亦参与了竞赛并取得成绩。

Atlas 各代技术演进

初代 Atlas（2013）

初代 Atlas 于 2013 年 7 月公开发布，作为 DRC 硬件平台。机体采用全液压驱动，高约 1.88 米，重约 150 公斤，拥有 28 个液压驱动自由度。机体内部搭载 Atlas 专用的机载计算机，通过脐带缆（Tether）连接外部电源和计算资源，行动自由度受限。

Atlas 无线版（2016）

2016 年发布的 Atlas 大幅精简了结构，去除了脐带缆，改为机载电池供电，高度缩小至约 1.75 米，重量降至约 82 公斤。这一版本首次展示了在户外雪地中稳健行走、被人推搡后快速恢复平衡，以及从地面捡起箱子等能力，标志着 Atlas 从"研究样机"向"通用平台"迈进。

跑酷 Atlas（2017—2022）

2017 年，Atlas 成功完成后空翻（Backflip），成为史上最广为人知的机器人演示之一。该视频在 YouTube 上获得数亿次播放。2018 年，Atlas 展示了连续奔跑越野和跳跃平台的能力。2019 年，Atlas 完成多步骤跑酷路线，包括跳过障碍、攀上台阶并以体操动作收尾。2021 年，一段名为"Do You Love Me?"的视频展示了 Atlas 随音乐起舞的完整舞步，展现了其运动控制的流畅程度。2022 年，Atlas 展示了在建筑工地场景中与人类协作搬运物品、攀爬脚手架的能力。

新一代电动 Atlas（2024）

2024 年，波士顿动力宣布液压版 Atlas 退役，同时发布全新电动版 Atlas。新 Atlas 采用电驱动关节，取消了液压系统，具备比液压版更大的关节活动范围（部分关节可超过 180°），噪声更低，维护更简便。新 Atlas 采用更接近人类的比例设计，面向实际工业应用场景，而非单纯的演示。现代汽车集团工厂被确定为首批实际部署场景之一。

Atlas 主要技术参数（当前版本）

参数	规格
身高	约 1.5 米
体重	约 89 公斤（液压版）
自由度	28 个（液压版）
驱动方式	电驱动（新版）/ 液压驱动（旧版）
传感器	LiDAR、立体视觉相机、IMU
动力源	机载电池
操作臂负载	约 11 公斤（单臂）

SpotMini 与早期重要平台

SpotMini（2016）

SpotMini 于 2016 年发布，是 Spot 的早期原型和电动化实验平台。与采用液压驱动的早期四足机器人不同，SpotMini 完全依靠电动执行器驱动，因而噪声极小，能够在室内环境中安静运行。

SpotMini 拥有 17 个自由度，机体重约 25 公斤（不含操作臂），可选配一条 5 自由度的操作臂。操作臂末端的吸盘式抓手使其能够拾取物品、开门乃至将自身从倾倒状态恢复站立。2018 年发布的视频中，SpotMini 成功操纵门把手为同伴开门，这一场景成为当年广为流传的机器人技术展示之一。

SpotMini 是从实验室研究机器人走向商业产品的关键过渡平台，其电驱动架构和感知系统设计直接演化为后来正式商业化的 Spot。

LS3（Legged Squad Support System，2012）

LS3 是波士顿动力为美国海军陆战队和陆军研发的军用四足运输机器人，由 DARPA 和美国海军陆战队联合资助。LS3 的设计目标是作为"机器骡子"（Robot Pack Mule），随士兵在复杂地形中行进，携带重达 180 公斤的装备补给。

LS3 体型远大于 BigDog，能够自主跟随士兵行进，通过视觉系统识别并跟踪指定人员，无需人工遥控操作。LS3 在多次军事演习中进行了野外测试，证明了其在非结构化地形中的负载能力。该项目最终因噪声过大（液压动力系统发出显著噪声会暴露军队位置）以及军方对该类装备需求的调整而未能进入批量采购阶段。

Cheetah（2012）与 WildCat（2013）

2012 年，波士顿动力的实验性四足奔跑机器人 Cheetah 在跑步机测试中达到了 每小时 29 公里（约 8 米/秒）的奔跑速度，打破了当时有腿机器人的世界速度纪录，超过了猎豹以外大多数陆地动物的奔跑速度。Cheetah 采用柔性脊柱设计，通过脊柱弯曲伸展协调四肢运动，模拟猫科动物的奔跑机理。

2013 年，在 Cheetah 基础上发展的无绳版本 WildCat 发布，能够在无外部供电的情况下自主奔跑，最高速度约 25 公里/小时。WildCat 和 Cheetah 的研究成果深刻影响了后来 Spot 和 SpotMini 的步态控制算法设计。

BigDog（2005）与 LittleDog（2010）

BigDog 是波士顿动力最早引起广泛关注的四足机器人，由 DARPA 资助，设计为军用地形行进平台。BigDog 长约 0.91 米，高 0.76 米，重约 110 公斤，采用汽油发动机驱动液压系统，能够以每小时 6.4 公里的速度行走，可携带约 150 公斤负载穿越泥地、雪地、斜坡等复杂地形，在受到踹踢干扰时能够快速恢复平衡，其恢复平衡的视频是早期网络上传播最广的机器人视频之一。

LittleDog 是 BigDog 的缩小版研究平台，于 2010 年前后面向学术界发布，主要用于步态规划和足式运动控制算法的研究。多所顶级大学（包括 MIT、斯坦福、CMU 等）使用 LittleDog 平台开展了大量关于腿式机器人的基础研究工作。

Handle 机器人

设计理念：轮腿融合

Handle 于 2017 年发布，代表了波士顿动力在运动架构上的一次大胆探索——将腿式运动的地形适应能力与轮式移动的高效率相结合。Handle 采用双足轮腿混合结构：拥有两条多关节腿（每腿末端安装轮子），上身配有操作臂，整体高约 2 米。

腿式机器人与轮式机器人的传统权衡如下：

特性	纯腿式	纯轮式	Handle（轮腿混合）
光滑地面效率	低	高	高
越障能力	强	弱	中强
机构复杂度	高	低	中
能量效率	低	高	中高
最高速度	低	高	高

Handle 能够以最高 14.5 公里/小时的速度移动，垂直跳跃高度达 1.2 米，可在保持平衡的同时搬运 15 公斤的物体。

仓储物流应用

Handle 的商业版本专注于仓储物流场景，特别是货箱码垛与拆垛（Palletizing / Depalletizing）任务。其操作臂末端配备了真空吸盘系统，可抓取多种规格的纸箱。Handle 能够在仓库地面高速滑行，精确接近货架或托盘，完成货箱的码放和转移。

与 Spot 相比，Handle 的优势在于高度灵活的移动性和对特定物流任务的针对性优化；与固定式机械臂相比，Handle 的优势在于无需固定工位，可在整个仓库空间自由移动。

Stretch 仓储机器人

产品定位与设计

Stretch 于 2021 年发布，是波士顿动力首款真正意义上面向仓储物流市场的量产商用机器人。与 Handle 的轮腿混合架构不同，Stretch 采用更为简洁的设计：以轮式移动底座为基础，搭配一根高自由度的七轴机械臂，臂端配备模块化真空吸盘抓手系统（可适配不同尺寸的纸箱），机体四周安装多组深度相机和机器视觉系统用于货物识别与定位。

Stretch 的核心设计哲学是任务专一性（Task Specificity）：不追求通用操作能力，而是将货箱搬运这一特定任务做到极致效率。这使得 Stretch 在机构设计、感知算法和控制软件上均可针对性地深度优化。

技术规格

参数	规格
移动底座	全向轮式底盘
机械臂	7 自由度，最大伸展长度约 1.7 米
末端抓手	真空吸盘阵列，兼容多尺寸纸箱
处理速度	800+ 箱/小时（官方标称）
负载能力	单次抓取最大约 23 公斤
传感器	多组 RGB-D 相机、机器视觉系统
运行班次	设计支持多班次持续运行

典型应用场景

Stretch 主要部署于以下三类场景：

1. 卡车卸货（Truck Unloading）：Stretch 可进入集装箱或货车内部，将堆叠的货箱逐一取出并放置在传送带上，替代人工完成劳动强度最高的卸货环节。
2. 仓库内部转运：在仓库内部各区域之间搬运货箱，配合仓库管理系统（WMS）执行调度指令。
3. 货架补货与拆垛：从托盘上取箱、将货物分拣至指定位置。

商业客户与市场表现

Stretch 已与多家大型物流企业和零售商签署商业部署协议。DHL 是 Stretch 最具代表性的早期商业客户之一，双方于 2021 年宣布合作，计划在 DHL 的仓储网络中规模化部署 Stretch，以应对仓储劳动力短缺和旺季用工峰值压力。

Stretch 与 Spot 在仓储场景中形成互补：Stretch 负责货箱的搬运和码垛，Spot 则承担仓库设施的例行巡检（如检测管道泄漏、监控仓库安全状态），两者协同构成波士顿动力的仓储解决方案组合。

Spot 商业应用深度分析

商业化历程

Spot 于 2019 年 9 月正式开放商业销售，是波士顿动力历史上第一款面向一般企业用户销售的产品。初期售价约 74,500 美元，属于企业级定价。截至 2023 年，全球已售出数千台 Spot，部署在超过 50 个国家，涵盖数百家企业和研究机构客户。

行业应用案例

油气与能源行业

雪佛龙（Chevron）是 Spot 最著名的企业客户之一。雪佛龙在其炼油厂和离岸平台部署 Spot 执行自主巡检任务，包括读取模拟仪表（如压力表、液位计），检测设备异常声音、振动和泄漏，在人员难以到达的区域进行视觉检查。Spot 通过机载摄像头、热成像仪和气体检测传感器完成上述任务，数据实时回传至控制中心。

美国核能运营商 Exelon 同样部署了 Spot，用于核电站内的设备巡检，以减少工作人员进入辐射区域的频率和时长。

建筑与基础设施

建筑行业将 Spot 与三维扫描仪（如 Matterport）结合使用，实现建筑工地的自主测绘和工程进度监控，生成精确的 BIM（Building Information Modeling）数字孪生模型。Turner Construction 等大型建筑承包商已将 Spot 纳入标准化工地管理流程。

公共安全与执法

多地警察局和消防部门在危险物质处置、搜救任务中使用 Spot 进行前沿侦查，将机器人送入爆炸物或有毒气体威胁区域，以减少一线人员的风险暴露。

娱乐与媒体

Spot 参与了多个大型演出和艺术项目，包括演唱会巡演、博物馆互动展览和影视拍摄，其流畅的运动姿态和高度的可编程性使其成为颇受欢迎的表演道具。

Spot Arm：操作能力扩展

Spot Arm 是 Spot 的选配操作臂模块，于 2021 年随 Spot 2.0 版本正式发布。Spot Arm 具有 6 个自由度，末端安装平行夹爪，能够抓取、拖拽、转动和抬升物体。Spot Arm 使 Spot 具备了基础的操作能力：

• 拉开门把手（圆形把手和按压式把手）
• 从地面拾取物品并放置到货架
• 拖动线缆和软管
• 按压按钮和开关

Spot Arm 与机体感知系统深度整合，可执行"抓取—拖拉—放置"的完整操作序列，也可配合 Spot 的自主巡检任务使用（例如自动开门进入受限区域后完成内部巡检，再关门退出）。

Scout 远程监控平台

Scout 是波士顿动力面向企业用户推出的 Spot 远程操控与任务管理平台。通过 Scout 平台，运营者可以：

• 在 Web 浏览器中远程查看 Spot 的摄像头画面（包括 360° 全景视图）
• 创建和调度 Spot 的自主巡检任务（AutoWalk）
• 查看历史巡检数据和传感器读数
• 管理多台 Spot 机器人的机队（Fleet Management）
• 生成合规报告和异常告警

Scout 使用标准 4G/5G 蜂窝网络或企业 WiFi 网络进行通信，无需专用通信基础设施，大幅降低了企业部署 Spot 的技术门槛。

SDK 与应用生态

波士顿动力为 Spot 提供了完整的软件开发工具包（Software Development Kit，SDK），支持 Python 和 C++ 两种接口，覆盖以下功能层：

• 运动控制接口：发送移动指令、控制步态和速度
• 感知数据接口：读取相机图像、深度图、IMU 数据、足端力数据
• Spot Arm 接口：控制操作臂运动和夹爪开合
• AutoWalk API：编程定义自主巡检任务
• Payload 接口：集成第三方传感器和计算载荷

Spot 还拥有类似应用商店的第三方集成生态，多家公司在 Spot SDK 基础上开发了针对特定行业的解决方案，包括气体检测（Percepto）、热成像巡检（FLIR）、无损检测（NDT Global）等模块。

Spot 各代硬件演进

Spot 1.0（2019）

首代商业版 Spot 于 2019 年 9 月正式对外销售，是波士顿动力从纯研究机构迈向商业化的历史节点。Spot 1.0 的机体主要材料为铝合金和碳纤维复合材料，采用全电动执行器驱动，12 个关节电机分布在四条腿上，每腿三个自由度（髋关节内外摆、髋关节前后摆、膝关节屈伸）。

Spot 1.0 搭载前后各一组立体相机和鱼眼相机，提供 360° 感知覆盖，支持自主避障和地形自适应行走。机载计算平台运行波士顿动力自研的运动控制软件栈，包括步态调度、地形估计、实时平衡控制等模块。

Spot 2.0（2021）

Spot 2.0 随 Spot Arm 同步发布，在硬件上进行了若干重要升级：

• 关节执行器升级：扭矩输出和散热能力提升，支持操作臂持续工作时的额外电功耗
• 机载计算升级：计算平台算力提升，支持更复杂的感知与导航算法
• Spot Arm 接口：机体前端新增专用操作臂机械接口和电气接口，支持 Spot Arm 模块热插拔
• 有效载荷系统完善：顶部载荷接口标准化，支持 14 公斤第三方载荷集成
• 软件升级：引入 Autowalk 自主任务录制与重放功能，操作者只需手动驾驶一次巡检路线，Spot 即可自主重复执行

Spot 3.0（2023）

Spot 3.0 是迄今为止性能最强的 Spot 版本，主要改进包括：

• 新增手臂感知：操作臂末端集成深度相机，支持视觉引导的精确抓取（Visual Grasping）
• 语义感知升级：机体感知系统引入深度学习语义分割能力，可识别门、阀门、仪表等特定对象，支持更高级别的自主任务
• Scout 平台深度集成：机队管理和任务调度能力大幅提升，支持多 Spot 协作巡检
• 新增 Spot CAM+IR：可选红外热成像载荷，扩展热异常检测能力
• API 扩展：新增 Graph Nav 地图管理 API、Spot Check 自检 API，降低部署和维护成本

Spot 各版本规格对比

规格	Spot 1.0（2019）	Spot 2.0（2021）	Spot 3.0（2023）
整机重量	约 32 公斤	约 32 公斤	约 32 公斤
最大有效载荷	14 公斤	14 公斤	14 公斤
续航时间	约 90 分钟	约 90 分钟	约 90 分钟
最大速度	1.6 m/s	1.6 m/s	1.6 m/s
Spot Arm 支持	否	是	是（升级版）
语义感知	基础	基础	深度学习增强
SDK 版本	2.x	3.x	4.x
防护等级	IP54	IP54	IP54

驱动技术路线：液压与电驱动对比

波士顿动力在其产品演进过程中经历了从液压驱动到电动执行器的重大技术路线转变。两种技术各有显著的优劣，理解这一转变有助于把握整个行业的发展趋势。

液压驱动的优势与局限

优势：

• 功率密度极高：液压执行器的力/重量比远超目前大多数电动执行器，使得 BigDog 和早期 Atlas 能够实现高力矩输出和强劲的动态性能
• 后退可驱动性（Backdrivability）可控：液压系统天然具备一定的柔顺性，可通过阀门控制实现力控
• 抗冲击能力强：液压系统对瞬时冲击载荷有较好的缓冲作用

局限：

• 噪声大：液压泵和发动机产生显著噪声，在需要安静操作的环境（如军事潜伏、医疗设施）中存在明显限制
• 效率低、发热量大：液压系统整体能效通常在 50%–70% 之间，大量能量以热能形式损耗
• 维护复杂：液压系统需要定期检查和更换液压油，密封件老化会导致泄漏
• 温度敏感：液压油在极端温度下性能下降明显

电动执行器的优势与局限

优势：

• 安静运行：电动执行器几乎无噪声，适合室内和对噪声敏感的工业环境
• 高能效：现代电动执行器系统整体效率通常超过 85%，电池续航更持久
• 精确力控：基于电流控制的力矩控制精度高，便于实现阻抗控制（Impedance Control）和柔顺控制
• 维护简便：无液压油、无密封件，日常维护成本低
• 紧凑集成：执行器可以设计得更紧凑，与结构件一体化程度更高

局限：

• 峰值功率密度仍低于液压：在需要极大瞬时力矩的场景（如重载搬运、高速跑跳）中，电动执行器的功率密度仍是制约因素，但随着新型电机材料和设计的进步，差距正在快速缩小
• 热管理挑战：高负荷工况下电机温升显著，热管理设计复杂

技术转变的行业意义

新版电动 Atlas（2024）的发布标志着波士顿动力正式完成液压到电动的技术路线切换。这一转变符合整个足式机器人行业的大趋势——几乎所有新兴竞争对手（Unitree、Agility Robotics、Figure、1X 等）均采用电动执行器路线，原因在于电动系统在成本、维护、能效和噪声方面的综合优势更符合大规模商业化部署的需求。

当前研究方向

波士顿动力人工智能研究所

2022 年，马克·雷伯特宣布成立波士顿动力人工智能研究所（Boston Dynamics AI Institute），与波士顿动力公司相关但独立运营，专注于机器人基础研究，目标是解决当前商业机器人在感知、认知和操作能力上的根本性局限。研究所获得了现代汽车集团的大量资金支持，早期规模约数百名研究人员。

研究所的核心研究议题包括：

1. 操作智能（Manipulation Intelligence）：使机器人能够在非结构化环境中灵活操作各类物体，解决接触丰富（Contact-Rich）的操作任务
2. 全身操作（Loco-Manipulation）：将移动能力与操作能力深度融合，使机器人能够在移动过程中执行操作任务
3. 任务与运动规划（Task-and-Motion Planning，TAMP）：使机器人能够理解高层次任务语义并自动规划详细的运动序列，是连接大语言模型与机器人执行层的关键
4. 自适应学习（Adaptive Learning）：利用强化学习（Reinforcement Learning）和模仿学习（Imitation Learning）使机器人能够从少量示范中快速习得新技能

强化学习与仿真训练

近年来，波士顿动力在传统基于模型的控制方法之外，开始深度整合深度强化学习（Deep Reinforcement Learning，DRL）技术。通过大规模仿真环境（Sim-to-Real Transfer）训练神经网络策略，然后将策略迁移到真实机器人，可以大幅扩展机器人的技能库，并提升对未见地形的泛化能力。

Atlas 新版本的部分动作（如抓取任务、全身协调运动）已引入基于学习的策略，与传统优化控制器并行运行或层叠使用，代表了混合控制架构（Hybrid Control）的发展趋势。

商业成绩与市场地位

营收与规模

波士顿动力作为私有企业（现代集团子公司）不公开详细财务数据，但根据公开披露和行业分析，大致情况如下：

• Spot 销售量：截至 2023 年底累计销售数千台，单价约 74,500 美元，仅 Spot 产品线的总销售额已超过数亿美元
• Stretch 商业合同：已与 DHL 等大型物流企业签署规模化部署协议，合同总额估计达数千万至数亿美元量级
• 研发投入：现代集团持续向波士顿动力和 AI 研究所注入大量资金，仅 AI 研究所在初期即获得承诺超过 4 亿美元的资助

公司定位演变

波士顿动力已从一家以 DARPA 资助为主的纯研发机构，成功转型为兼具研发能力和商业化产品的机器人企业。Spot 是这一转型最重要的标志——它不仅是技术展示平台，更是能够在真实工业环境中持续创造价值的商业产品。

然而，波士顿动力的商业规模相较于其技术声誉和研发投入仍有一定差距，如何将 Atlas 的高动态能力转化为可复制的商业价值，仍是公司面临的核心战略挑战。

与竞品对比

以下对比了波士顿动力与主要竞争对手在关键维度上的差异：

维度	波士顿动力（Spot + Atlas + Stretch）	ANYbotics（ANYmal）	宇树科技 Unitree（Go2 + H1）	Agility Robotics（Digit）
产品成熟度	高（Spot 已量产数千台）	中高（ANYmal C/D 已商业化）	中（快速迭代中）	中（Digit 开始量产）
主要产品	四足（Spot）、人形（Atlas）、仓储（Stretch）	四足（ANYmal）	四足（Go1/Go2）、人形（H1/G1）	双足人形（Digit）
运动性能	顶级（行业标杆）	高	中高（性价比突出）	中高（针对物流优化）
定价	高（Spot 约 7.4 万美元）	高（ANYmal 约 15 万美元以上）	低至中（Go2 约 1.6 万美元）	中（Digit 具体定价未公开）
市场定位	工业巡检、物流、研究、国防	工业巡检（油气、采矿）、研究	研究、消费级、工业低成本	仓储物流（亚马逊合作）
技术路线	优化控制 + 少量强化学习	优化控制 + 强化学习	强化学习为主	强化学习为主
商业客户	Chevron、DHL、Exelon 等	BP、Petronas 等	大量学术和研究机构	Amazon（战略合作）
开放生态	Spot SDK（较完善）	ANYmal SDK	提供 SDK	提供 SDK
母公司背景	现代汽车集团	独立（苏黎世联邦理工背景）	独立（中国初创公司）	独立（获亚马逊等战略投资）

综合评价：波士顿动力在运动性能和品牌声誉上处于绝对领先地位，但定价较高，主要服务于大型企业客户。ANYbotics 在工业巡检领域深耕，客户结构稳定。Unitree 以极具竞争力的价格快速扩大市场覆盖，尤其在学术研究领域影响力显著提升。Agility Robotics 凭借亚马逊的战略背书，在仓储物流场景具有独特竞争优势。

参考资料

1. 波士顿动力词条，维基百科
2. Boston Dynamics 官方网站
3. Spot 产品页面
4. Atlas 产品页面
5. Stretch 产品页面
6. Handle 产品页面
7. Raibert, M. H. (1986). Legged Robots That Balance. MIT Press.
8. Raibert, M., et al. (2008). BigDog, the rough-terrain quadruped robot. IFAC Proceedings Volumes, 41(2), 10822–10825.
9. DARPA Robotics Challenge (DRC) 官方网站，archive.darpa.mil/roboticschallenge/
10. Kuindersma, S., et al. (2016). Optimization-based locomotion planning, estimation, and control design for the Atlas humanoid robot. Autonomous Robots, 40(3), 429–455.
11. Hutter, M., et al. (2016). ANYmal – a highly mobile and dynamic quadrupedal robot. IEEE/RSJ IROS 2016.
12. Boston Dynamics AI Institute 官方网站
13. 现代汽车集团收购波士顿动力新闻稿