罗伯特·普莱特：波士顿动力 CEO 谈人形与足式机器人

2022 年，罗伯特·普莱特（Robert Playter）第一次在 Atlas 身上看到他期待多年的自然步态。从 2008 年那台叫 Petman 的原型机算起，十四年过去了。一台能后空翻、能跳上一米高的箱子、能在半空中调整姿态的机器人，学会像人一样走路，花了十四年。

这个反差是理解波士顿动力的一个入口。外界记住的是那些疯传的短视频：机器人跳舞、开门、扔重物、后空翻。镜头之外，是一套从 MIT 地下室长出来、绵延三十年的做事方法。普莱特是这套方法最早的参与者之一，如今是这家公司的 CEO，管着 Atlas 和 Spot 两条产品线。

他 1994 年在 MIT 拿的博士学位，论文写的是机器人体操，作为研究的一部分，他给一台双足机器人编了世界上第一个三维空翻。这段经历后来变成了他看机器人运动的方式，也变成了整家公司评价"动得好不好"的标准。

一根弹簧单高跷，长出了人形机器人

普莱特去 MIT 找博士位置的时候，航空系的教授让他去 AI 实验室地下室找一个叫马克·雷伯特（Marc Raibert）的人。他走下去，看到雷伯特展示的机器人做了一个空翻，当场的反应就是"哇"。他自己练体操，看到机器人能这样动，兴趣和经历一下子对上了。

这种对上的东西，是运动本身。普莱特念的是航空宇航专业，飞行和移动一直让他着迷。到了机器人这里，他撞上了一个大问题：怎么让一台有腿的机器保持平衡，怎么让它真的能到处走。

体操里有一种概念，叫让身体去做它想做的事。当你练到一定程度，你做的其实是把身体摆到一个位置，让物理、惯性和动量顺着自然的、有机的方式把你推过去。（罗伯特·普莱特）

雷伯特在地下室干的事，就是把这个直觉变成机器。他最早的有腿运动研究项目是一根弹簧单高跷。弹簧加质量组成一个振荡系统，有它自己的自然频率。接下来要做的是，怎么在这些天然物理之上叠加意图，怎么去控制它，同时不把它的自然性压死。普莱特说，那种协调才是真正的潜力所在，你可以叫它美感，也可以叫协同，说法不重要。

这里藏着一个看波士顿动力所有产品的钥匙：让物理替机器解决一部分问题。身体摆对了，惯性和动量会顺水推舟，机器不需要每一步都靠计算硬扛。这种设计的副产品是效率更高，也更容易控制，因为大自然本身在帮你做稳定性。有些反馈和稳定机制，直接由身体的物理结构提供，既不写在代码里，也不在人的意识里。

这也是为什么普莱特说，雷伯特教给他的最重要一课是：要有信念的勇气，去做你觉得有意思的事，去找大问题。当年动态行走这件事没人解决过，看起来像一个要干几十年的问题。雷伯特的态度是，因为感兴趣就去做，别先操心能不能赚钱。这个态度后来写进了公司的价值观。

雷伯特教他的第二课，是把问题简化到核心。雷伯特会放动物在草原上奔跑、在山上攀爬的视频，可他自己动手时选的是一根单高跷。把复杂问题压缩到一个能处理的规模，先让它平衡，因为平衡里已经包含了最根本的难题；等问题解决了，再往外推，推到像马一样奔跑的形态。寻找这种化简的原则，是波士顿动力早期研究员最核心的本事。

机器人研究者是世界上最快乐的一群人之一

普莱特观察到一个现象。他见过很多博士生，不少人在漫长的过程里被磨得没了脾气。机器人研究者是例外，他们工作极苦、时间极长，可看上去很幸福。普莱特说，他见过的另一群这么快乐的人，是经常跳伞的那批人。他不完全说得清原因，只猜和长期的挣扎之后亲手让一个东西动起来有关。

他给了一个更具体的解释。机器人研究非常动手，你在把一个东西带到生命里。公司的离职率低得反常，人们来了就爱上这种追求。还有一层，机器人是在真实世界里运动的，你的目标就是让它在世界里跑起来，你能对它产生认同。这种物理层面的交互，让人容易把自己投射进去，这是波士顿动力这类机器人独有的东西。

换个角度说，这和工作本身关系没那么大，和"做你热爱的事"关系更大。普莱特承认，不是每个人都有幸找到这样的东西，他觉得自己运气好，公司也运气好，能把生意建立在这样一件事上，让人一直有劲头。

走路比后空翻还难

说到具体能力，先看走路。波士顿动力早年接过陆军的合同，对方要一台能自然行走的机器人，给它套上防护服，放进有毒气体环境里测试，所以步态必须像人。他们做出了 Petman 原型，步态相当漂亮：腿先伸出去，脚跟着地，再滚到脚尖，而不是一整只脚平平地砸下来。可即便是这样，普莱特说，直到大概 2022 年，他才在更新一代的 Atlas 上看到他期待的那种自然步态。团队当时在开发新的行走控制算法，自然的动作是这套新流程的副产品，不是直接照着做出来的。

为什么难？一个很具体的坎是"直腿"。人走路落地时腿基本伸直，而腿完全伸直就撞上了一个数学奇异点（singularity），这个方向再也不能往前动，围绕这个关节计算力矩和位置会变得特别别扭。控制算法必须学会处理这种奇异构型。早期的做法是把复杂的人体压成一个简化模型，用数学描述得清楚，可简化模型里往往没有直腿带来的全部复杂性。最近几年能用的技术，才把整台机器的完整物理算进去，去应付这类别扭的姿势。

另一个坎是欠驱动（underactuated）。这个词的意思是，你不能随心所欲地把机器人往任意方向推。它和地面的全部交互都通过脚来 mediation，而脚怎么放、放在哪，决定了外力怎么传进来。没有一只上帝之手从天上伸下来，往你要的方向给一推。人走路本身就是欠驱动的，所以想要自然的动作，就得在这个约束里做文章。

这里就能看出波士顿动力和其他团队的分野。很多早期行走机器人的思路是拼命别让自己摔倒，每一步都在刹车，把倾倒的趋势硬生生掐掉。真正让腿式机器人动起来的关键，是顺着倾倒走：让它往前倒，然后用下一步接住自己。物理被允许在机器里显现出来，人看到的就是"像活的"、优雅、自然。

如果你把物理弄对了，它大概率也会更高效，长期看更稳定，能在更大范围的条件里稳定行走，同时也更好看、更有吸引力。（罗伯特·普莱特）

普莱特把这套东西分成了科学和艺术两半。科学那一半是清楚的：弹簧质量系统怎么振荡，这些原理怎么从一条腿推到两条腿、四条腿。艺术那一半出现在人形机器人上。人形的复杂度太高，可它有个好处，你对"它动起来应该是什么样"有直觉。这种直觉来自你身体里那些说不出口的知识，你还没掌握控制它的方法，就先靠直觉往里走。换成别的形状，你可能就没有这份直觉了。他说，这有点像教练看运动员，能看出动作里一个极小的变化，然后想办法讲给运动员听，甚至让运动员去"感觉"这个变化，可到底看到了什么，往往很难用语言说清。

电影《机械姬》（Ex Machina）里的 AI 机器人由一位芭蕾舞者扮演，普莱特提到这个例子时，说的是那种自然的优雅和流畅，看起来省力、轻松，最重要的是"看起来对"。早期的机器人恰好相反，动作过分小心，慢、犹豫、每一步都在防着摔倒，那种不自然一眼就能看出来，而且低效得没必要。

大块头的麻烦：为什么人形比四足难得多

人形机器人好看，也难伺候。它有一副沉重的上半身，质量和惯性都大，把这些惯性甩来甩去，维持平衡的难度就上去了。手上再拎一个重物，问题还要更难一层。

对比一下四足就明白了。早期在 Leg Lab 和公司早年做的四足机器人，身体是一个大刚体，腿很轻。腿摆起来，对身体的影响很小，质量和惯性几乎都集中在躯干上，模型能大幅简化。人形不行，腿又重又大，一摆腿，全身都跟着动。这种全身耦合，让人形成了一个复杂得多的平台。

所以最近 Atlas 的视频里，你会看到它在搬重物、扔重物、举杠铃。普莱特说，这是刻意展示的：机器人要真有用，就得能搬东西，而且得是占自身体重相当比例的东西。他还点了一句，这也把他们和市面上其他做人形机器人的团队区分开了，大多数团队还不会搬东西，更别说重的。

搬重物的难点在于预判。你去拿一个东西，手伸出去的瞬间，重心就已经开始移；一旦抓起来，整个人的质心会跟着变；如果要转个身，惯性也得算进去；如果要把它扔出去，所有这些都得纳入模型。机器人需要对重量有一个预期，然后提前一两秒想清楚：我带着这个大家伙，怎么移动还能保持平衡。普莱特说这是他们的一次大跨越，而他们搭的工具让这件事变快了。最近那条视频里的很多动作，几天就做出来了；放在过去，机器上任何一个新动作都要花大约六个月。

关于抓取，有个很实用的分工。手要贴合物体的表面，这部分得细致；可一旦东西到了手里，真正要紧的往往只剩质量和惯性，形状反而没那么关键。所以想扔一个包上脚手架，你只需要知道它的质心在哪，剩下的可以泛化。刚体好办，软的东西也能对付，比如那个装着零散工具的袋子。更难的还没做，比如带铰链的大家伙、一堆松散的线缆或绳子。至于抱起另一台机器人，他们只在圣诞节拍过一个小品，两台 Spot 抬着第三台 Spot 去给树挂蝴蝶结。

有人问他，Atlas 能做多重的一个弯举？他笑着说，大概还没人类多。他更愿意用另一个指标：跳箱，也就是能跳上多高的箱子。Atlas 大概能跳上一米高，公司的 CTO 做同样的动作时非常吃力。他们正在想下一代 Atlas，执行器会更强，某些关节、某些动作会强到人做不到的程度，那将是"人达不到的领域"。

空中那两秒：从手动调轨迹到模型预测控制

跳跃和空翻，是另一条技术曲线。最早做空翻的时候，靠的是大量手动迭代：轨迹怎么设、用多大力甩，都得一点点试。普莱特承认，早年看到团队做实验，他会凭自己练后空翻的直觉给建议，比如某个技术动作该怎么改。现在不需要了。

他们用的是模型预测控制（model predictive control，MPC）。机器人会在实时里向前推演一两秒，探索各种可能性：手臂再往这边挪一点，结果会怎么变？它同时算很多条路，解出从当前状态到目标的最优轨迹。这带来一个直接的好处，起飞时就算偏了，也能在空中修正。那条"前空翻加半转"的动作（sick trick）就是例子，普莱特见过它以各种不同的姿态落地，机器人每次都能把自己稳住。

空中的修正受一条硬约束管着：动量。腾空时没有外力、没有外力矩可以施加，动量不会变。所以真正的问题变成了，怎么在固定动量的约束里，从 A 点挪到 B 点。这是欠驱动的极致形态，用普莱特的话说，你连无人机都算不上，无人机还能悬停，你不能，你只能准备好迎接落地。人做体操也是一个道理，每次尽量把起跳设置得一样，可真到了空中，还是得临场调整。机器人现在也开始会这一手了。

后空翻这件事，胆子本身就是门槛。Atlas 那么大的身体，翻过去是件很冒险的事，训练时摔坏过好几台。普莱特说，这正是他们"造它、摔它、修它"那套策略的价值。摔坏的过程会逼你找出薄弱点，然后重新设计，下次就不那么容易坏了。反复摔，学到的不只是怎么把后空翻做成，还有怎么把机器造得更好。

至于"为什么要让机器人翻跟头"这种质疑，普莱特的回答借了肯尼迪那句登月演讲：不是因为容易，是因为难。

敢把东西摔坏，才敢往前推

普莱特把"允许摔坏"单独拎出来讲，因为它是一种心理前提。用机器人、把它弄坏、修好、再来一遍，这套循环让团队在干活时没有恐惧。反过来，机器太贵、又不会修，人就会像捧着瓷器一样小心，结果什么也推进不了。你必须有能力把东西弄坏，这是他们的一条基本原则。

他讲了自己的一段经历。刚读研时，他在机械车间学过车床和铣床，能自己做零件。有一次在实验室弄坏了一件设备，本来以为买不到，后来意识到，造一个就行了。那种感觉是解放性的：可能要多花时间，可能比预想的费劲，但你能自己把它造出来，从此不再害怕。

把这条原则放回机器人研究的语境，就能理解为什么这个领域的人那么快乐。手上有工具、有车间、能自己补零件，失败的代价就降下来了，敢试的东西自然就多。普莱特说，公司早期的与众不同之处，就在于一群人愿意把问题追到那个核心原理，然后围绕它写软件、造机器。当年这并不容易，需要真懂运动动力学和反馈控制，还得在当时的计算机上写出简单到能在 1000 赫兹实时跑起来的控制算法。能做这件事的团队屈指可数。

他也提到，这个局面在变。控制机器人的方法正在快速演进，会变得越来越普及、越来越容易被更多团队拿到。放在 2015 年 DARPA 机器人挑战赛（DARPA Robotics Challenge）的背景下看，这话有分量。那届比赛给人形机器人派了一堆任务：操作、行走、开车，而人机通信被故意做得很差，信号随时可能整段中断，机器人得靠近乎完全的自主把任务撑下去。那是一场对"机器人在真实约束下能干什么"的公开检验，也是波士顿动力这类团队绕不开的一道坎。

从 MIT 地下室的一根弹簧单高跷，到能在空中自我修正的 Atlas，中间隔着三十年和无数台被摔坏的机器。普莱特反复回到同一个判断：把物理弄对，动作就会自然，而自然的动作往往也更高效、更稳。技术会更新，算法会换代，这条判断没怎么变过。

• 遇到复杂问题，先找它的"弹簧单高跷"：把系统压缩到一个能算清楚的最小模型，解决核心矛盾，再往外推。
• 给团队留出摔坏东西的空间。设备太贵、修不了，人就会缩手缩脚，创新也就停了。能自己造零件，是最便宜的心理保险。
• 设计动态系统时，顺着物理走而不是硬压它。让惯性、动量替你分担稳定性，往往比堆控制算力更省、更稳、更好看。
• 做需要预判的任务，提前一到两秒把"身体加上负载"的模型算进去，别等重心偏了才反应。
• 搭工具比堆人力更划算。同一个动作从六个月缩到几天，靠的是工具链，不是加班。
• 挑大问题，挑你真感兴趣的那个。因为感兴趣，你才愿意在没人解决过的方向上耗上十年，而且不觉得亏。