波士顿动力公布了人形机器人Atlas的一组控制实验，将传统电机控制与全身强化学习结合，用极限动作验证驱动系统和控制策略的鲁棒性。
团队把人体动作捕捉轨迹接入自研训练流程，使Atlas在一次实机尝试中完成高能耗的跳跃加360度旋转。实验还为Atlas双脚加装轮子；在横向快速移动任务中，强化学习策略主动利用轮子滚动，而不是像普通足部那样依赖滑动。
Atlas控制工程师Andy Woo表示，实验重点并非把机器人改成轮式平台，而是让电机和执行器在极端工况下仍能以可预测、可靠的方式运行。团队在高保真仿真环境中调整参数，再把策略迁移到实机，并观察细微响应变化。
这一流程把动作目标、动力学约束和实机反馈放在同一训练框架中。工程团队可以在仿真中测试大量参数组合，再对照实机的电机电流、关节响应和落地稳定性，缩小模型与硬件之间的差异。
轮式足部实验还表明，策略能够根据接触条件改变运动方式：在需要快速横移时使用轮子滚动，在需要支撑和跳跃时仍按双足系统控制全身姿态。这类自适应能力可为不同末端结构和地面条件下的动作规划提供参考。
下一步，团队将进一步整合底层执行器控制与全身强化学习，并研究单个执行器在运行中失效时，策略能否产生补偿动作、保持机器人姿态和任务连续性。目标不是展示单一特技，而是建立可预测、可诊断并能应对硬件异常的控制体系。
