控制著每個機器人，機器人頭頂有防止它們摔倒的安全繩。這些機器人必須展示出機動性、感知能力和操控能力，雖然它們的動作緩慢而艱難，但它們做到了。

　　這些機器人顯然是研究項目，但DARPA歷來會從長遠角度推動技術發展。2005年和2007年的DARPA自動駕駛汽車挑戰大賽和城市挑戰賽為今天的自動駕駛出租車奠定了基礎。因此，2015年DRC結束時，幾個機器人成功完成了整個最終場景后，就帶來了一個顯而易見的問題：人形機器人何時才能從研究項目過渡到商業產品？

　　答案似乎是2024年，一些資金充足的公司將在商業試點項目中部署其機器人，以確定人形機器人是否已經準備好投入使用。

　　ATRIAS是在2015年DRC決賽中亮相的機器人之一，由俄勒岡州立大學動態機器人實驗室的喬納森?赫斯特（Jonathan Hurst）開發。2015年，赫斯特與他人共同創立了Agility Robotics公司，將ATRIAS變為以人為本、多用途的實用機器人，取名Digit。Digit與人類大小差不多，身高1.75米、重65千克，能舉起16千克的重物。Agility目前正準備大規模生產Digit的商用版本，該公司在物流行業第一次看到了商機，Digit將開始從事一些單調重復的工作，將人從中解放出來。

　　赫斯特告訴我：“公司花了很長時間與潛在客戶合作以尋找用例，在此類用例中，我們的技術可以提供真正的價值，同時又可擴大規模并盈利。對我們而言，現在這個用例便是移動電子商務中的裝載框。”裝載框是倉庫中用于儲存和運輸物品的標準化容器。物品出入倉庫時，需要不斷將空的裝載框從一處移至另一處。這是一項至關重要的工作，即使在高度自動化的倉庫里，大部分也是由人類完成的。 Agility表示，在美國，目前有數百萬人從事裝載框的搬運工作，物流公司的空缺崗位很難填補，因為部分市場根本沒有足夠的工人。此外，這項工作往往單調枯燥，對身體也有壓力。赫斯特表示：“從事此類工作的人基本上都是在做機器人的工作。”Agility認為，這些人如果從事更適合自身優勢的工作，情況會好得多。Agility Robotics的首席執行官達米恩?謝爾頓（Damion Shelton）解釋道：“我們需要將人類勞動力轉變為更具監督作用的角色。”赫斯特補充稱：“我們正努力打造一款能與人合作的產品。我們需要人類的判斷力、創造力和決策能力，將我們的機器人作為工具，更快、更高效地完成工作。”

　　Digit要成為有效的倉庫工具，必須對Agility及其客戶而言都是有能力、可靠且安全的，在財務上也必須是可持續的。Agility相信這一切都有可能，并引用了Digit相對于人類工人的成本和績效的潛力。謝爾頓表示：“我們鼓勵人們思考，若能將人力資本分配到大樓的其他地方，每小時能節省多少錢。”謝爾頓估計，包括福利和日常開支在內，一家典型的大型物流公司每名員工的勞動成本至少為每小時30美元。當然，員工拿到的錢要少得多。

　　Agility雖然尚未準備好提供Digit的定價信息，但告知我們其單價將低于25萬美元。即使在此價位，若Digit能夠實現Agility的目標，即至少工作2萬小時（5年內每天兩班倒），那么這款機器人的時薪將達到12.5美元。服務合同可能會導致時薪增加幾美元。謝爾頓說：“與完成同樣任務的人類勞動力相比，只要機器人的工作速度和人類不相上下，就可以決定是讓人完成任務更有意義，還是讓機器人完成任務更有意義。”

　　Agility的機器人無法與人類的一般能力相匹配，不過這并非該公司的目標。赫斯特說：“Digit不會做人類能做的所有事情。它只會做流程自動化的任務。”比如移動空裝載框。考慮到機器人沒有工人的日常需求，在這類任務中，Digit能夠跟上（實際上略微超過）普通人類工人的速度。

　　第一家對Digit進行測試的公司是亞馬遜。2022年，亞馬遜投資了Agility作為其產業創新基金的一部分。2023年年底，亞馬遜開始在西雅圖附近的機器人研發基地測試Digit。Digit在亞馬遜并不孤單，該公司倉庫中目前部署的機器人超過75萬臺，包括在封閉區域運行的傳統系統，以及具有必要的自主性、與人協作的更現代化的機器人。這些較新的機器人包括像Proteus這樣的自主移動機器人，它們可在倉庫周圍移動裝載車，還有像Sparrow和Cardinal這樣的固定式機械手臂，它們可以在結構化環境中處理庫存或客戶訂單。而人形機器人則是全新的事物。

　　負責監督Digit測試的亞馬遜Global Robotics工程總監艾米麗?維特里克（Emily Vetterick）稱：“Digit的有趣之處在于，由于雙足行走的特性，它可以適應不同的空間。我們很高興能開始測試Digit，因為我們將了解這項技術的意義所在。”

　　雙足機器人能在哪里發揮作用是機器人領域幾十年來一直存在的問題。顯然，在一個主要為人類設計的世界里，具有擬人外形的機器人是理想的。但對機器人而言，用兩條腿保持動態平衡仍然很困難，尤其是在這些機器人攜帶重物并需要以人類的速度工作數萬小時的時候。什么時候值得用雙足機器人而非更簡單的工具？

　　維特里克說：“我對Digit真正感興趣的用例是空裝載框的回收。我們已經在許多倉庫中使用傳送帶實現了這項任務的自動化，這是非常傳統的自動化解決方案，我們不希望機器人出現在傳送帶工作的地方。但傳送帶有特定的占地面積，它有利于某些特定類型的空間。當我們走到這些空間之外時，就有了對機器人的功能性需求。”

　　不過，對機器人的需求并不總能轉化為對人形機器人的需求，亞馬遜等公司有足夠的資源建設自己的倉庫，可為其所需的任何形式的機器人或自動化工具提供支撐。亞馬遜的新倉庫確實是這樣建造的，倉庫有平坦的地板、寬闊的通道，以及其他對輪式機器人格外友好的環境考量。

　　“我們考慮（使用Digit）的建筑類型并非新一代建筑，都是老一代建筑，因為老一代建筑往往沒有空間用于安裝傳統的自動化解決方案。”維特里克說。她介紹了部分老建筑中混亂的組織，包括中間有屋頂支撐物的狹窄通道，以及托盤、紙板、電線罩和人體工程學墊毯造成的地板不平整。“我們的建筑便于人們四處走動。”維特里克繼續道，“但即使是很小的障礙物，也可能會成為輪式機器人難以克服的障礙，而對雙足機器人來說則可能不是問題。”從根本上說，這就是雙足機器人相對于其他外形機器人的優勢，它可以快速、輕松地適應為人類設計的空間和工作流程。至少，這是目標。

　　維特里克強調，西雅圖研發基地的部署只是對Digit能力的極小規模的初步測試。讓機器人在平坦、空曠的地板上把裝載框從架子上移到傳送帶上，這并不能反映亞馬遜最終希望探索的用例。亞馬遜甚至不確定Digit是否會成為此項特定工作的最佳工具，對于一家格外注重效率的公司而言，只有針對特定問題的最佳解決方案才能永久成為工作流程的一部分。“亞馬遜對通用機器人不感興趣。”維特里克解釋道，“我們總是專注于我們要解決的問題。我不能說Digit是解決此類問題的唯一方法。這是我們有興趣嘗試的一種潛在方式。”

　　通用人形機器人可幫助人們完成任何可能需要完成的任務，這樣的想法當然很吸引人，但正如亞馬遜明確指出的那樣，對于Agility等公司而言，第一步是找到執行單一任務（或者可能是幾個不同的任務）的充分價值，實現可持續增長。Agility相信，通過解決亞馬遜的空裝載框回收問題，Digit能夠擴大業務規模，且該公司有足夠的信心，準備在俄勒岡州的塞勒姆開設一家工廠。在生產高峰期，該工廠最終能夠每年生產1萬臺Digit機器人。

　　Agility并非唯一一家打算在2024年實現雙足機器人商業化部署的公司。至少還有其他7家公司正在努力實現這一目標，且獲得了數億美元的資金支持。Apptronik、1X Technologies、Figure、FourierIntelligence、SanctuaryAI特斯拉和宇樹科技均有商用人形機器人原型。

　　過去兩年內，盡管大量資金和人才涌入了商用人形機器人的開發，但最近并未出現大大有助于此類機器人發展的根本性技術突破。雖然傳感器和計算機已足夠強大，但執行器仍然復雜且昂貴，電池也難以為兩足機器人輪班提供足夠動力。

　　此外還有其他挑戰，包括打造可依靠彈性供應鏈制造的機器人，以及開發服務基礎設施以支持大規模的商業部署。目前最大的挑戰在于軟件。僅僅制造能從事某項工作的機器人還不夠，機器人必須以安全、可靠、高效的方式完成工作，使其不僅僅是一項實驗。

　　毫無疑問，Agility Robotics和開發人形商用機器人的其他公司擁有令人印象深刻的技術、引人入勝的營銷故事和巨大的潛力。此種潛力能否轉化為工作場所的人形機器人，具體取決于亞馬遜等公司，亞馬遜似乎對此持謹慎樂觀的態度。這將從根本上轉變重復勞動的完成方式。現在，所有機器人要做的便是將目標變為現實。

　　文章出處：【微信號：AI智勝未來，微信公眾號：AI智勝未來】歡迎添加關注！文章轉載請注明出處。

　　大模型的賦能下，從體能、技能、智能三方面，實現對人的模仿，終端可應用在特種作業、 工業、醫療、教育、娛樂、公共服務、家庭或通用等諸多領域。 從上個世紀60年代至今，

　　涉及的化工材料 /

　　必一運動sport網頁版登錄

　　—SIGGRAPH— 當地時間 2024 年 7 月 29 日— 為加速全球

　　關節的磁編碼器理想選擇——AS5048 產品介紹 /

　　” /

　　4月17日，波士頓動力對外發布了一則視頻，視頻顯示：曾經先后表演過跑跳、后空翻、空手道等動作的液壓

　　必一運動sport網頁版登錄

　　Atlas，揮動著左右臂，為觀眾獻上“深情一舞”后鞠躬退場，緩緩出現 “Til we

　　新奇點 /

　　說話篇：無聲！ /

　　不僅形態更接近人類，而且具備更多的智慧。隨著大型AI模型的不斷推進，人工智能正在加速

　　成為車圈“新寵”？ /

　　，哪些國產傳感器將受益？（深度報告） /

　　【ELF 2學習板試用】利用RKNN-Toolkit2實現rknn模型轉換

　　盤古676系列盤古100Pro+開發板(型號MES2L676-100HP)開箱演示視頻來啦~~~

　　【紫光同創盤古PGX-Lite 7K教程】——（盤古PGX-Lite 7K開發板/PGC7KD-6IMBG256第七章）數字鐘實驗例程