Boston Dynamics 给 Atlas 换上轮子，把电机逼到极限

Boston Dynamics 发布了一篇博客文章，介绍了一项内部实验：控制工程师 Xiaoyu（Andy）Wu 把一台 Atlas 人形机器人的双脚换成了滑板车轮子，并训练了一个全身强化学习控制器来操控这台新机器——训练完全在仿真中完成，策略部署到实体硬件后没有再做任何现实环境微调。

轮式 Atlas 不是产品，Boston Dynamics 对此说得很明白。造这台机器，是为了做到标准双足机器人做不到的事：让 Atlas 的电机长时间同时处于高扭矩和高转速状态，从而暴露公司的电机模型和控制调校与现实之间的偏差。这些发现已经用到目前正在现代汽车工厂测试的量产版 Atlas上。

一个定制转接件，其余都是现成硬件

硬件改动刻意保持在最低限度。Wu 用一个定制转接件，把一个现成的滑板车轮毂装到 Atlas 原有的每个踝关节执行器上——这是整台机器唯一的新零件。Boston Dynamics形容这次改装的难度大概和换一次自行车胎差不多。

软件方面，每个轮子被建模为一个可连续旋转的踝关节，机器人原有模型的其余部分保持不变。调整奖励函数的构成、训练指令的范围以及策略保持姿态的方式，就足以让平稳滚动的行为在训练中自然出现，并没有从零开发专门的轮式控制器。

这种极简做法是有意为之。让硬件尽量接近标准 Atlas，实验就只隔离出一个变量：当末端执行器从脚变成轮子、接触动力学随之改变时，学到的控制器会发生什么。

为什么轮子能以腿做不到的方式对执行器进行压力测试

电机面临着扭矩与转速之间的根本性工程权衡：高速旋转的电机输出的扭矩比低速时小，而在高扭矩与高转速交汇的区间运行，恰恰是电机最容易过热、饱和、或偏离其模型所预测的平滑行为的地方。

双足行走让电机基本远离这个区间。落脚阶段对踝关节的负载很重但很短暂，摆腿阶段又提供了恢复时间。滚动行进则没有这种喘息机会。轮子在加速、转弯和制动时都需要持续同时输出扭矩和转速，让 Atlas 的执行器承受持续的复合负载——Spot 和 Stretch 在客户现场部署的几十年经验表明，即使实验室条件下不会出现，真实环境最终也会产生这种负载。

Wu称由此实现的仿真到现实迁移基本上是完美的。这种保真度来自训练前在硬件上做的电机特性测定：团队在真实执行器上进行测量，并据此调校仿真中的电机模型，使策略训练所依据的仿真能反映实体电机在极限状态下的真实表现，而不是一个理想化的替代模型。

在仿真中训练，第一次尝试就跳成功

训练使用的是MuJoCo，这款物理引擎因计算效率高、接触建模准确，在学术界和工业界的机器人学习研究中被广泛使用。部分动作素材来自人体动作捕捉片段——团队特意挑选了包含大量滑步动作的片段，预计这些动作转换到轮子上会产生有意思的行为。一个 360 度跳跃动作则是通过这条轨迹流程跟踪一名人类跳跃者得到的，迁移到轮式硬件上时第一次尝试就成功了。

策略还发展出一些在人类身上找不到直接对应的行为。在人会滑步的侧向冲刺中，轮式 Atlas 学会了主动转动轮子，动态地利用抓地力，而不是被动滑动。在起跳前的蓄力阶段，下半身先滚动到位再向上发力——这种动作协调模式是训练中自然出现的，而不是事先编写的。这些涌现行为表明，全身强化学习方法正在找到设计者没有预料到的解法，这既是工程上的成功，也是继续研究策略究竟在做什么的理由。

赛道拥挤，但目标不同

轮式人形机器人领域正迅速变得热闹。Hexagon 的 AEON从一开始就围绕轮式脚设计，已部署在宝马莱比锡工厂以及舍弗勒和皮拉图斯的工厂，在平整的工业地面上滚动速度可达每秒 2.4 米。宇树科技在 2026 年 4 月展示了穿着轮滑鞋和冰鞋的 G1 人形机器人，此前还推出了 G1-D——一款用于数据采集和 AI 训练的轮式版本。

Boston Dynamics 做的事情在性质上完全不同。Hexagon 把轮子当作工厂和仓库地面上的移动方案，宇树把轮式移动当作一个产品方向来探索，而 Boston Dynamics 是把轮子当作诊断工具。目标不是造一台用于部署的轮式机器人，而是在受控的压力下弄清楚，标准腿式机器人的控制栈在现代汽车装配厂真正遇到这些工况之前，还剩下哪些弱点。

容错是下一个难题

Wu 在文章中写道，他目前正在研究全身强化学习策略如何应对执行器故障——具体来说，训练能否产生涌现的恢复行为，让机器人在任务中途某个电机失灵时继续工作。这个问题与量产直接相关：在现代汽车工厂里运行的 Atlas，不可能每次电机表现异常都停下来等待维修。

继 2026 年 1 月 CES 上发布可量产的电动 Atlas 之后，Boston Dynamics 目前正在现代汽车工厂测试量产版 Atlas。公司于 2026 年 10 月任命曾领导亚马逊 AI 开发的Rohit Prasad为首席执行官，标志着在持续推进硬件项目的同时，转向部署 AI 驱动的自主能力。

轮式实验正处于这一转型之中：一家公司把自己的研究积累转化为量产可靠性，用刻意控制的压力测试，缩小仿真器预测与真实工厂车间最终要求之间的差距。容错研究能否成功，对 Atlas 在现代汽车的实际部署而言，比任何一次单独的行走演示都更重要。