400米2分34秒破纪录！伯克利双足机器人超过人类平均水平

近日，加州大学伯克利分校（UC Berkeley）的HYBRID ROBOTICS研究团队再次刷新了人们对双足机器人能力的认知。他们的双足机器人Cassie在一次测试中，以2分34秒的成绩跑完了400米，这一速度超越了许多人类的平均水平！这一成就不仅展示了Cassie在运动性能上的卓越，也标志着机器人技术在模仿人类运动方面取得了显著进展。

Cassie的设计独特，它只有下半身，这种设计使得它在跑步时无需考虑上半身的平衡问题，从而专注于速度的提升。在这次400米的冲刺中，Cassie展现了其敏捷的脚步和标准的跑步姿势，没有任何累赘的动作。这一成绩的取得，得益于其背后的RL（强化学习）通用框架，该框架使得Cassie在站立、跑步、跳高、跳远等多种动作上都表现得十分流畅。

Cassie的这一成就并非偶然。在2021年，Cassie就已经在不充电的条件下完成了5公里的户外长跑，用时53分钟，平均步速为每分94.3米。而此次400米的成绩，更是将步速提升到了每分155.6米，这一进步是肉眼可见的。Cassie之所以能够取得这样的成绩，是因为它采用了基于神经网络的强化学习方法进行训练，从而能够从零开始掌握各种基本技能，如原地跳跃、向前走或跑而不摔倒。

Cassie的训练过程中，研究者鼓励它模仿人体动捕的数据和动作演示动画。这种方法使得Cassie能够在没有经过额外训练的情况下，完成1.4米的跳远。这一结果显示了Cassie的多功能性和适应性，它不仅能够在跑步上表现出色，也能在跳远等其他运动技能上有所作为。

Cassie的强大能力，源自于研究者发表的一篇论文中介绍的RL通用框架。该框架利用了深度强化学习技术，为双足机器人创建了动态运动控制器。研究者开发出的这种通用控制解决方案，适用于一系列动态双足技能，包括周期性行走、跑步，以及非周期性的跳跃和站立。这种基于强化学习的控制器，采用了新颖的双历史架构，有效利用了机器人的长期和短期输入/输出（I/O）历史。

通过端到端的强化学习方法训练，这种控制架构在模拟和现实世界中的各种技能上，都显示出了优于其他方法的性能。此外，RL系统还引入了适应性和鲁棒性，使得Cassie能够适应各种变化，如接触事件，并且通过任务随机化提高了鲁棒性。这些研究成果，使得Cassie不仅能够稳稳地站立，还能多才多艺地步行，快速跑步，以及进行各种跳高和跳远。

UC伯克利的研究团队不仅仅满足于此，他们还在探索如何让机器人更好地理解和适应真实世界。在今年1月，他们的人形机器人“小绿”引起了广泛关注。这款机器人在校园中自由行走，甚至在操场草坪上练习倒步走，引起了人们的惊叹。UC伯克利的研究者们还在2月底发表了一篇重磅论文，介绍了“小绿”是如何训练出来的。他们采用了与训练GPT相同的方法，通过预测下一个动作来控制人形机器人的行走。这种方法使得机器人能够学习真实世界的控制任务，而不仅仅是在模拟环境中。

这些研究成果不仅展示了UC伯克利在双足机器人领域的领先地位，也为未来机器人技术的发展提供了新的可能性。随着技术的不断进步，我们可以预见，双足机器人将在更多领域发挥作用，从灾难响应、搜索和救援到日常生活中的辅助工作，甚至可能在探索外星环境时发挥关键作用。UC伯克利的这些研究，无疑为机器人技术的未来打开了一扇新的大门。