达优高科 一、波士顿动力机器人进化史？
‘波士顿动力机器人经历了多次进化。因为波士顿动力公司由麻省理工学院的机器人专家团队创建，致力于推动机器人技术的发展，因此他们的机器人技术一直处在不断的发展之中。早期的波士顿动力机器人包括BigDog、LittleDog、RiSE等，主要任务是进行远程作战、搜救等军事任务和科技研究。此后，公司逐渐将技术应用到民用领域，如Spot、Atlas等机器人依次推出并在农业、建筑、医疗等行业得到了广泛应用。最新的Dyno机器人可在极限环境下工作，提供高效准确的测量数据。波士顿动力机器人在不断进化中，将有力地推动未来机器人技术的发展。
二、波士顿动力机器人是特效吗？
波士顿动力机器人不是是特效，是真机器
目前的波士顿机器人各个关节基本上都是采用的采用的电驱动，基本上都是直流伺服电机。使用盘式电机和大扭矩的直流电机。一般这类电机都比较贵，常见的品牌有冯哈博，PARK，以及maxon，驱动常见的是conplay，波士顿动力应该是自己开发的控制器，还有驱动器。
三、波士顿动力机器人是哪个上市公司？
波士顿动力机器人现在属于韩国现代集团
韩国现代汽车集团宣布，在获得监管机构批准后，现代汽车集团已获得了对美国机器人公司波士顿动力（Boston Dynamics）的控股权。
本次交易中，波士顿动力估值为11亿美元（约合71.2亿人民币），现代汽车集团从日本软银集团获得80%的股份，软银集团则通过附属公司保留20%的股份。
四、波士顿动力机器人开源是什么意思？
波士顿动力开源是为了能使更多的应用接入，成为机器人界的Android。
Marc Raibert 在接受 DeepTech 采访表示：“我们要从技术研发公司变为产品公司，波士顿动力目标是成为机器人界的 Android”，通过开放应用程序编程接口（API，Application Programming Interface），合作伙伴可以在波士顿动力的产品中加上自己开发的应用，扩充机器人多样功能。
美国波士顿动力公司成立于1992年，是一家机器人公司，专注人工智能产品研发，其科研力量日益强盛。
Spot机器狗，成为最强大的人工智能产品之一，享誉全球。近日，波士顿公司创始人Marc Raibert卸任CEO，任董事长，标着Spot机器狗将迈入一个新的发展时期。
商用机器人：
波士顿动力终于开始了自己的商业化试水，开始向企业出租其首款商用机器人产品——Spot 四足机器人。而此次 CEO 一职的变动则放出了更加明确的信号：波士顿动力正在走出实验室转变为一家商业机器人公司。
从1992年波士顿动力公司成立，到2020年，波士顿公司28年了，专注这么久，该是爆发的时间了。事实上，波士顿动力公司已经向全球市场交付了100台Spot机器狗。
随着全球订单的开始，波士顿动力公司，会逐步量化生产Spot机器狗。
五、如果atlas机器人（波士顿动力）和chatGPT（人工智能）结合会发生什么？
目前谷歌和微软已经做了一些相关的工作，但更侧重于task decomposition，亦即将高层指令分解成一系列预定义好的低层指令下发给下游模型进行执行，这点其他答主的回答里也有提及。
但于我而言，如果想让机器人真正实现革命性的进展——亦即使机器人具有更泛化的应用场景、更高超的运动技巧、更敏捷的反应力，需要克服的可能是“端到端控制”这个大难题：作为人类，我们是不会刻意地将每一个动作都形式化的，否则应对现实世界中各式各样场景所需的“动作库”将会过于庞大。端到端的建模一般来说是LLM的优势所在，但在机器人领域却恰恰难以简单地实现端到端。在我看来，起码有以下四个紧密耦合的挑战：
高可行性（feasibility）的动作生成
目前的业界学界主流还是偏向于在底层使用LQR之流的传统控制器，因为它们拥有良好的数学形式，可以明确地把动力学约束写进去，从而保障产生的控制序列一定是合理的，不会出现一些匪夷所思的控制序列（例如要求机器人把左脚趾头抬高到脑门上）。相比之下，生成式模型就时常给出这一类的控制序列，因为动力学模型真的很难学习，而且往往也难以用所谓“直觉”进行推断。设想一下——你能够猜测一个塑料水杯从桌子上落到地面后经过几次弹跳最终会落到哪里吗？
高鲁棒性要求
这个挑战牵涉到另一个在机器人领域臭名昭著的问题，Sim2Real。由于现实世界中存在的种种不确定性（传感器噪音、驱动器误差、系统通信延迟），用于建模和训练模型的参数和真实的参数往往会有一定的出入，而由于复杂动力学系统的高度混沌性，在将模型在两个动力学系统之间迁移时可能会出现“差之毫厘，失之千里”的现象。
目前常用的解决方案有几种。其一是进行更加精确的建模（比如将噪声也建模在内），但这种方法与LLM的路数如何结合，可能需要进一步斟酌。其二是在数据中注入噪声（亦即data augmentation），但对于LLM+Dynamic system这一特定的应用领域，需要多大规模的数据泛化，是不得而知的。
实时性要求
相对而言是一个很容易想到的瓶颈问题了，机器人系统的具有相对较高的控制频率要求，是目前的LLM暂时满足不了的。不过这个问题也许可以随着硬件系统的进化而解决。
不由得想起来曾几何时，小规模的神经网络模型还因为具有相对于传统迭代式优化器更高的运行效率而被视为一种提高实时性的方案（笑
数据集要求
模型和数据是AI的两条支柱，ChatGPT的出现离不开前人贡献的大规模语料数据集，OpenAI自己也投入了大量资金来生产训练所需的数据。相比之下，足式机器人领域缺乏完善的大规模公开数据集，在现实世界中收集数据的成本也远比其它大部分AI应用要昂贵。在相对廉价的虚拟环境中收集数据，便又会面临之前提到的Sim2Real问题。
六、波士顿动力上市日期？
正在申请ipo。据美国新闻报道，该公司计划在2021到2023年上市。
七、如何评价波士顿动力？
基础好，起步早，积累多，硬件平台成熟，上层运动控制级别的应用就容易呈现“井喷”的突破趋势。然后我在这里想补充一点的是：
波士顿动力作为一家公司，其技术队伍的人员配比上更适合当前机器人的研发，简单来说，就是拥有大量稳定在职、世界顶尖、经验丰富的工程技术人员。而对于从事机器人研究的高校和研究所，就急需调整科研队伍人员配比的问题——即需要增加研发队伍中工程师所占的比重。
为什么要这样讲？从我这几年在机器人圈子跌摸滚打的经验来看，有如下几个原因：
现阶段（传统）机器人学科更加偏向于工程
现阶段机器人学科是需要硬件实现和支撑的学科，谈及到性能良好的硬件，更多的是涉及工程层面上的工作和细节的完善，这些工作需要工程师来完成，而不单是博士生及研究人员。
机电系统设计需要经验丰富的工程师团队
机械结构和电路设计，经历过项目历练的老司机和初出茅庐的学生所做出来的东西，性能及可靠性是完全不在一个层面上的，很多我所知道的实验室高校，机器人本体硬件的设计都是出自学生之手，差距显而易见。而对于学生来说，因为做的是工程而非科研，想发高水平文章也很难，自然而然造成恶性循环，更没有人愿意花心思琢磨硬件设计上的提升。
机器人日常维护需要大量工程师
对于刚搭起来的机器人平台，日常小修大修都是常见而不可避免的事情。同样，这部分工作应该由专职的工程师去负责和完成，而不单单是博士生及研究人员。我所在的lab大概有7-8位专职工程师，还会经常面临机器人坏了一周没修好的棘手情况，试想如果科研人员还需要承担机器人的日常维修重任，是会多么拖后科研或项目进度。
实验室技术积累和传承的问题
实验室缺乏稳定任职的工程师还有一个弊端在于，实验室技术的积累和传承很容易断代。很常见的现象是，很多实验室的大师兄毕业之后，由于工作交接没有做好，一下子机器人就没有人会用，或者一段代码没有人会调，实验室的新人需要花不菲的时间上手和适应，整体科研效率低下。
题外话：具有责任心、能力强、经验丰富的机器人工程师非常难求：iit的四足机器人团队HyQ以前有个传说级别的英国硬件工程师(Jake Goldsmith)，后来被波士顿动力挖走，成为了波士顿动力的大狗(BigDog)项目的中坚骨干。从那个英国硬件工程师走后，HyQ遭受了很大的影响，拖慢了HyQ的发展速度。
最后，我在这里给大家补充一下，Marc Raibert团队在上世界80年代(MIT Leg Lab)的一些Demo。其实我们可以扪心自问一下，一下Demo的水准即使放在今天，又有哪些研究机构和高校是有信心复现的——科研和技术还是有些客观规律不可违背——你不能光看到别人今日的荣光，还需要看到别人几十年如一日扎扎实实的技术积累和努力。
八、机器人怎么学习动力
机器人怎么学习动力
机器人的学习过程一直是人工智能领域的热门话题之一。要让机器人获取动力并不断学习，需要结合强化学习、深度学习等技术手段，让机器人能够在与环境互动中积累知识和经验，从而实现自主学习和持续进步。
强化学习在机器人学习中的应用
强化学习作为一种机器学习的方法，通过机器与环境的交互来学习最优的行为策略。在机器人领域，强化学习被广泛应用于让机器人自主学习动作策略，不断优化其行为，并根据环境的反馈来调整自身的学习方向。
通过强化学习，机器人可以像人类一样从实践中不断积累经验，逐步提升自身的能力和智能水平。例如，通过奖励和惩罚机制，机器人可以学会在不同情境下做出最明智的决策，使其行为更加智能和灵活。
深度学习在机器人学习中的作用
深度学习作为一种基于神经网络的机器学习方法，对于机器人学习来说具有重要意义。通过深度学习，机器人可以通过大量的数据进行训练，从而提高自身的识别能力、处理能力和决策能力。
利用深度学习技术，机器人可以通过对图像、声音等信息的学习和理解，从而实现对环境的感知和认知。这种能力使得机器人能够更好地适应不同的任务和情境，在学习过程中不断提升自身的智能水平。
未来机器人学习的发展趋势
随着人工智能技术的不断发展和深化，未来机器人的学习将呈现出更加多样化和智能化的趋势。强化学习、深度学习等技术的不断演进，将为机器人带来更广阔的学习空间和应用领域。
未来机器人的学习将更加注重自主性和智能化，使其能够更好地适应复杂多变的环境和任务需求。同时，机器人学习的过程也将更加高效、快速，并且具有更强的适应性和创造性。
结语
总的来说，机器人学习动力的提升是一个综合性的过程，需要结合强化学习、深度学习等技术手段，让机器人能够更好地适应环境、学习知识，并不断提升自身的能力和智能水平。未来随着人工智能技术的不断发展，机器人学习将迎来更加广阔的发展空间和机遇，为人们的生活和工作带来更多便利和可能性。
九、波士顿动力靠什么生存？
致力于研究人工智能仿真和具有高机动性、灵活性和移动速度的先进机器人，技术利用基于传感器的控制和算法来解决具有一定复杂性的机械的使用问题。
十、波士顿动力靠什么盈利？
投资房地产，赚取大量佣金。
另外，波士顿动力公司成立于1992年，是从麻省理工学院剥离出的项目。在Alphabet旗下运行了一段时间后，它于去年被软银收购。通过愿景基金，软银在机器人领域进行了大量投资。2015年，该公司开始销售类人机器人Pepper。
