Atlas波士顿动力强化学习

足球能教会机器人运动吗？

波士顿动力教 Atlas 学踢足球，用动作捕捉+强化学习训练幽灵弧线球。足球要求的全身协调能力可直接迁移到工业操作任务。

Roberto Shu, Yeuhi Abe2026年6月10日1 分钟阅读

随着 2026 年 FIFA 世界杯™临近，波士顿动力与现代合作尝试新事物：教 Atlas 踢足球，掌握复杂的幽灵弧线球。"足球学校"是现代"Next Starts Now"活动的一部分，展示人类运动员和机器人共享相同的学习过程：练习、回顾、分析、调整。

幽灵弧线球

目标是展示 Atlas 人形机器人实现的惊人移动性、敏捷性和全身控制。团队创造了幽灵弧线球（Ghost Rabona），将假动作跨步与交叉腿弧线踢结合：

这个动作对人类来说已经很复杂，对机器人更是如此。Atlas 需要快速移动以制造逼真假动作，需要力量和敏捷起跳落地，同时保持平衡完成踢球。这种技能组合推动了物理智能的极限。

正如人类运动员必须练习掌握复杂动作一样，Atlas 需要训练来完善技能。机器人使用强化学习，在仿真中经历大量训练来学习如何操控自身身体物理来模仿人类运动。

第一步是从人类演示创建参考输入。人类演示简化了机器人编程，将曾经复杂的编码过程转变为直观任务。这些演示可以来自多种来源——包括视频、遥操作和动作捕捉。

对于幽灵弧线球，团队与一名足球运动员合作开发和记录了超高动态动作。使用人类动作捕捉允许快速收集大量演示，同时嵌入独特的"人类"风格。困难在于将这些动作适配到 Atlas 的运动学，因为人类和机器人形态之间没有直接对应。

通过重定向过程，将人类动作映射到 Atlas 运动学。建立参考轨迹后，机器学习过程开始：

如果失败，团队回到训练中，进行调整，改进行为——与所有 Atlas 技能相同的迭代循环。

Atlas 每次进入新环境都需要新训练。但用于足球训练的工具可以迁移到仓库或工厂的工作训练中。踢足球还磨练了可迁移技能：

与其他将移动与操作分离的运动不同，足球要求同时掌握两者。运动员必须在精确控球的同时平衡和奔跑——这对人形机器人是重大挑战。成功需要一个全身控制器，动态协调每个关节作为单一系统。

这种全身协调正是 Atlas 在工作场所执行操作任务所需的核心。训练通用机器人行为需要大量多样化的数据和训练——而跳出常规思维是解锁泛化行为的关键之一。

虽然 Atlas 专为工业和工厂应用而设计，但其能力远超这些环境。足球演示展示了定义机器人的非凡力量和敏捷性。这些技能只是 Atlas 能力的开始，波士顿动力继续推动人形机器人可能性的边界。