🎯 情报来源：The Robot Report
波士顿动力与丰田研究院（TRI）合作开发大型行为模型（LBMs），旨在提升Atlas人形机器人的多任务处理能力。通过端到端语言条件策略，Atlas已能完成涉及移动和灵巧全身操作的长期任务，如折叠绳索、翻转吧凳、铺展桌布以及操作22磅（9.9公斤）的汽车轮胎。
波士顿动力副总裁Scott Kuindersma表示，训练单一神经网络执行多任务将提高泛化能力，而Atlas这类高能力机器人为需要全身精确性、灵巧性和力量的任务提供了最低的数据收集障碍。
💡 核心要点
- Atlas人形机器人已能通过LBMs完成端到端操作任务，包括折叠Spot机器腿、放置面盘等复杂动作。
- 政策训练采用450百万参数的扩散变压器架构，图像数据输入频率为30Hz，预测1.6秒的动作块。
- Atlas包含78个自由度（DoF），其操纵测试台（MTS）有29个DoF，支持纯操纵任务。
- 政策执行速度可提升1.5倍至2倍，且无需更改训练时间。
- 波士顿动力计划进一步扩展数据飞轮，增加任务多样性、难度，并探索新的算法方向。
📌 情报分析
技术价值：极高
LBMs通过端到端语言条件策略实现多任务处理，显著提升机器人的泛化能力和操作效率。Atlas的78个自由度和高灵巧性为复杂任务提供了硬件支持。
商业价值：高
人形机器人在现有环境中执行多样化任务的潜力巨大，LBMs的快速部署能力为规模化应用奠定了基础。TRI的LBMs已获2024年RBR50机器人创新奖。
趋势预测：高
波士顿动力计划进一步扩展数据飞轮并探索强化学习（RL）和视觉语言动作模型（VLAs），预示着人形机器人在工业和服务领域的应用将加速。