1、在真实机器人硬件和模拟环境中，通过远程操作收集具身行为数据；
这些步骤循环构成一个持续的迭代过程，第4步的结果会指导相关决策，包括需要收集哪些额外数据，以及哪些网络架构或推理策略能带来性能提升。
LBM模型将由图像、本体感受和语言提示构成的输入信息，转化为以30Hz频率控制Atlas机器人全身的动作指令，研究人员利用扩散transformer结合流匹配损失来训练模型。
在实施这一过程中，波士顿动力团队遵循了三项核心原则。
最大化任务覆盖范围：将Atlas的模型预测控制器（MPC）与定制的基于虚拟现实（VR）界面相结合，能够覆盖从手指级精细操作到全身伸展与移动等各类任务需求。
训练多面手策略：采用多任务语言条件策略，在多种机器人形态上完成一系列多样化任务，共享策略改进以实现“涌现行为”的突破。
搭建支持快速迭代与严谨科研的基础设施：通过结合仿真、硬件测试以及为量产规模搭建的机器学习基础设施，得以高效探索数据和策略的设计空间，同时持续提升机器人的实际性能。
在展示的“Spot Workshop”任务演示中，机器人自主进行跨步、摆开姿势和下蹲以及灵巧操作，完成拾取、重新抓取、铰接、放置和滑动等操作，效率和动作都很流畅。
波士顿动力团队研究了数十项任务，既将其用于基准测试，也借此突破操作能力的边界。
在Atlas操作测试台（MTS）上，通过单一的语言条件策略，机器人能够完成从简单的拾取放置，到更复杂的任务，例如系绳子、翻转高脚凳、展开并铺好桌布，以及操作一个约10公斤的汽车轮胎。
绳子、布料和轮胎的操作属于典型案例，由于目标具有可变形的几何结构，且需要复杂的操作序列，用传统的机器人编程技术来完成这些任务极为困难。
但借助大型行为模型（LBMs），无论是堆叠刚性积木还是折叠软硬物体，训练过程都是相同的：只要人类能演示，机器人就能学习。
还有一个显著特点是：在推理阶段可以加快执行速度，而无需对训练过程做任何修改，这种策略会预测未来动作的轨迹以及执行这些动作的时间点，因此以通过调整时间来控制执行速度。
并且将策略速度提高1.5倍到2倍，也不会显著影响MTS和完整Atlas平台上的策略性能，在某些情况下，可以超越人类远程操作的速度极限。
测试所用的Atlas拥有50个自由度（DoF），可提供广泛的运动范围和高度的灵活性；Atlas MTS则拥有29个自由度，可用于探索纯操控任务。
波士顿动力采用远程操作的方式进行模型训练高质量数据的收集。
借助VR头显，操作员完全沉浸在机器人的工作空间中，并能获取与策略相同的信息，通过Atlas头戴式摄像头采集的画面经重新投影至用户视角，形成立体视图，增强了空间感知能力。
定制化的VR软件为远程操作员提供了丰富的指令界面，通过增强现实、控制器触觉反馈和平视显示元素，实时呈现机器人状态、控制目标、传感器读数、触觉反馈和系统状态，这使操作员能够充分利用机器人的硬件和能力，将自身的身体动作与感知同机器人同步起来。
该系统采用用户与机器人之间的一对一映射（即用户手部移动1厘米，机器人也会相应移动1厘米），这带来了直观的操控体验，尤其适用于双手协作任务。
这种神经网络策略与远程操作系统使用相同的机器人控制接口，使得之前开发的模型架构（针对不涉及移动的策略）能够轻松复用，只需对动作表征稍作扩展即可。
此外，仿真堆栈能精准复现硬件和机器人上的软件堆栈，因此无论是仿真平台还是硬件平台，都能共享数据处理流程、可视化工具、训练代码、虚拟现实软件及相关接口。
除了利用仿真技术对策略和架构选择进行基准测试外，波士顿动力还将仿真结果作为重要的协同训练数据来源，用于训练部署在实体硬件上的多任务、多形态机器人策略。
波士顿动力作为全球顶尖的机器人研发公司之一，其商业化历程因技术路线与市场需求的错位，导致成立30年来经历了三次重大股权变更，被多次卖身，从技术先锋变成了资本博弈的牺牲品，相比较如今的竞争对手，商业化落地进步也相对滞后。
2020年，韩国现代汽车出资9.21亿美元控股80%把波士顿动力收入麾下，旨在将其机器人技术应用于汽车制造（如焊接检测、物料搬运）和物流场景，现代接手后，波士顿动力也放弃了液压驱动的Atlas，转向开发电动版机器人以降低成本，并推出专为仓储设计的Stretch机器人等。
然而，挑战依然存在：电动版Atlas尚未量产，但人形机器人赛道竞争已然十分激烈，现代集团能否持续投入资金支持其长期研发结束其“卖身”循环仍是未知数。
黑科技炫技视频如今很难再吸引投资，明确的商业化路径和回报成为市场新的考量指标。
波士顿动力踩过的坑也为行业敲响警钟：机器人商业化需要技术、场景和资本的长期共振，而非单纯的技术秀和资本炒作。
-END-
