解析波士顿动力Handle机器人背后的技术(附PPT+视频)

2025年五大顶尖人形机器人核心技术解析与趋势展望 人形机器人是机器人技术领域的重要分支,其核心在于通过仿生结构与智能控制,实现类人的运动与操作能力。其工作原理融合了多传感器融合感知、全身动力学控制、模型预测控制以及强化学习等关键技术,通过实时状态估计与运动规划,实现动态平衡与复杂任务执行。这项技术的价值在于能够替代或辅助人类在危险、重复或高精度场景下工作,提升生产效率与作业安全。当前,其应用场景正从实验室快速走向工业制造、物流仓储等实际生产环境。本文聚焦于2025年最具代表性的五款人形机器人,深入剖析了它们在动态性能、AI大模型集成、工程化量产等维度的突破 阅读详情

[转] http://www.leiphone.com/news/201703/URrR8CG2tmtghNDl.html


导语:Boston Dynamics 在机器人动力方面堪称翘楚,其由双足或多足机器人组成的机器人天团总是时不时能给我们带来惊喜。上周,Boston Dynamics 又发布了一段视频,并再次推出了一款全新机器人——Handle,这也是Boston Dynamics 首次尝试轮式机器人。从视频中我们可以看到,Handle 机器人能够载重、下蹲和跨越障碍物,比上一款 Atlas 机器人更为先进。Boston Dynamics 公司创始人兼总裁 Marc Raibert 在接受 IEEE Spectrum 采访时表示,双轮仿人形机器人是一个伟大的发明,使用轮腿混合系统是个两全其美的解决方案。    

为什么Boston Dynamics 要选择轮腿混合系统,相对于Altas 的双足系统来说突破点在哪里?加了个双轮后,比之前的双腿直立行走控制难度变小了还是变大了?平衡车和Handle的轮子在稳定结构方面有什么不一样的地方?对于这些大家都比较好奇的问题,雷锋网本期公开课我们邀请到浙江大学控制学院机器人实验室博士李超为我们一一解答。

嘉宾介绍:

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

李超,浙江大学控制学院机器人实验室博士,“赤兔”四足机器人运动控制负责人,波士顿动力的忠实拥趸,足式机器人实用化方向的创业者。

主要研究领域是足式机器人的运动规划与平衡控制。作为核心骨干,研制了目前国内唯一能够实现奔跑的电驱四足机器人“赤兔”, 并获得广泛关注和认可。

所在“赤兔”团队专注于足式机器人实用化和产品化的研发和创业。

以下内容整理自李超在硬创公开课的分享。关注雷锋网(公众号:雷锋网)旗下微信公众号「新智造」,可获取嘉宾完整PPT。

公开课视频:

文字整理部分:

从这个视频我总结了Handle几个亮点:新的机器人形态:轮+腿;运动更加快速灵活;超强的弹跳能力。

Handle展示的功能包括快速加速和制动;运动过程中转弯和原地的高速转弯;单轮过斜坡,姿态保持稳定;Endpoint Control(Spotmini展示);搬运货物(100lbs);快速下台阶;室外雪地滑行;弹跳。其中第二条、第三条以及最后一条展示的是与腿相关的技术。

Handle主要技术包括腿式机器人;轮式和平衡车;地图构建与定位导航;移动操作(Mobile Manipulation);系统设计与集成。

波士顿动力(Boston Dynamics)

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

波士顿动力发展路线

波士顿动力是在1992年创立的,创立时间比在2013年将其收购的谷歌还长(雷锋网注:2016年3月有媒体爆出消息,Google母公司Alphabet计划放弃机器人计划,并出售收购不到3年的波士顿动力。)。创始人Marc Raibert 可以说是我的偶像,他时常穿着一件花衬衣,我总觉得他像一个挺慈祥的老人。

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

波士顿动力创始人Marc Raibert

我一直认为波士顿动力是创业公司但不是初创公司,它的主要产品是双足和四足机器人,而它的相关技术在成立之后很少公开,很多时候参考Raibert在MIT Leglab的工作(雷锋网注:1980年Raibert在卡内基•梅隆大学创立了CMU leg实验室,主要从事研究与机器人相关的控制、机器视觉放方面的技术,当时Raibert在这个大学担任副教授,到1986年,当Raibert升任麻省理工学院电子工程与计算机科学系的教授后,他将实验室搬到了麻省理工学院)。

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

Marc Raibert在1980s做的机器人研究

这个研究路线是从单腿到双腿到四足,其中单腿是基础,我个人感觉它的运动控制核心是动态平衡(Dynamic Balance)。其实我感觉Boston Dynamics 应该翻译成波士顿动态或者波士顿动力学,而不是波士顿动力。

单腿机器人

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

单腿弹跳的原理包括运动对称性和落脚点控制。其中,运动对称性的现象是指单腿机器人以一定速度跳跃落地对应一个特殊的落脚点 (NP点,Neutral Point),机器人落地后的运动状态相对于NP点左右对称,最后机器人会以相同的速度离地。

落脚点控制是核心的。如果机器人需要以当前速度继续运动,就将落脚点控制到NP点着地;如果需要加速,就将落脚点控制到小于NP 点着地;反之,如果需要减速,就需要以大于NP点的落脚点着地。

单腿弹跳的过程其实就像小朋友玩的弹跳器,正常的时候你只要保持弹跳器竖直着地就可以在原地不断弹跳,如果你想向前运动,就需要改变下弹跳器着地的角度就可以的,如果要跳得高一点,就需要人腿的弹跳器着地的时候加下力。

双足机器人

双足跑步

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

双足跑步可以等效成两条单腿相互交错运动,即两条腿的运动在相位上相差180度,就可以产生向前弹跳的运动。其实双腿从算法和硬件上都比单腿容易,因为飞行相占比少很多。

双足步行

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

双足行走跟双足跑跳不一样,一般来说,双足行走时身体高度和姿态均保持恒定。此时,腿的作用可以模拟成一个弹簧阻尼系统,完成对身体高度和姿态的闭环控制。水平方向可以等效一个阻尼器牵引身体的运动,完成对水平速度的闭环控制。

双足平衡

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

双足平衡控制,按照应对扰动量的大小依次可分为4种策略:踝策略、髋策略、跨步策略以及安全倒策略。外部扰动后,身体的质心投影位置(CoM)依然在脚掌范围内,则通过扭动脚掌踝关节,将身体控制回原位;当CoM超出脚掌范围,则通过髋关节的作用(身体的扭动)将身体拉回原位;当扰动过大超出髋策略的应对范围,则通过迈步的方式在下一步把身体的运动状态控制回来;最后,当扰动过大超出跨步策略的应对范围,机器人的摔倒不可避免,则及时将机器人调整到一个安全的姿态,以避免机器人倒地时受损或过度受损。

四足运动

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

等效双足策略,就是根据四足机器人的不同步态,通过力等效原理将四足机器人等效成不同的双足机器人进行规划控制。

Why轮+腿?

足式机器人优势:

立体复杂路面主要就是台阶和楼梯,相比履带式,足式机器人尺寸小而且更灵活,对地面无损坏。总之,走轮(履)式不能走的路,到轮(履)式到不了的地方!

波士顿动力SpotMini机器人在室内外任意行走

谷歌收购的另一个机器人项目Schaft

足式机器人劣势:

1.能量利用效率低

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

上图是不同物种之间的能量利用效率对比图。比如说人在摄入一定能量后如果走路能走1公里,而骑车能骑3公里,而这个时候还要考虑到另外一个因素就是续航。2013年波士顿动力将动力由汽油改为电池,电池比较小续航时间也就比较短,所以一定要在能量利用效率上做改进。另外,足式机器人在执行任务的时候,面对的绝大部分路面都比较平坦,完全足式效率太低。

2.快速运动能力不足

Handle速度可达24km/h

New Atlas 速度差不多5km/h(猜测)

3.结构复杂,控制难度大,成本高

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

左为Altas,右为Handle

Handle腿部关节只有3个,设计、加工和装配难度都下降

控制难度: 足式步行 >>  轮式运动

Atals腿是3维,Handle腿是2维平面的,算法难度降低

少了三个关节,驱动和加工成本降低

所以,结合这几点波士顿动力选择轮腿结合的方式也是为了扬长避短达到优势互补。在这里我也觉得,轮(履)式结合是足式面向实用化的一个必然趋势!

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

在2015年Darpa机器人挑战赛总决赛中(Darpa Robotics Challenge Finals 2015)获得第一名和第三名的机器人都使用了轮腿式设计。

关于Handle几个问题

Handle基于Atlas的躯干,双轮的轮子,突破点在哪里?

个人理解难度突破并不大,主要是波士顿动力面向实际应用,对双足行走一些固有不足进行完善(行走效率和能量利用效率等)。

目前来看,轮腿(履)混合是足式机器人面向实用化开发的一个方向,包括DRC比赛第一名韩国HUBO机器人,第三名CMU的chimp机器人。

Handle加了个双轮后,很多人觉得比之前的双腿直立行走控制难度变小了,事实是这样的吗?

对比ATLAS,控制难度确实变小了。不仅是控制难度变小了,整个腿部驱动和结构设计难度也小很多。

平衡车和Handle的轮子在稳定结构方面有什么不一样的地方?

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

平衡车和Handle的最大差异是腿的作用。Handle的腿可以模拟主动悬挂系统,可以改变腿长和支撑力。可以通过改变腿长,改变身体重心高度、左右位置和姿态,提高轮式在复杂路况下的通行能力、身体的平稳性和高速运动转弯时的安全性。另外,因为身体和手臂的扭动可以辅助提高前向运动的稳定性。

Handle倒滑+弹跳背后的技术难不难?

倒滑:按之前波士顿动力腿型的介绍,前向和后向滑动的运动控制几乎没有差异。倒滑的原因是机器人在裆部竖装了一个激光雷达(见下图),前滑时,腿会遮挡视线。

解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

弹跳:对boston dynamcis来说, Handle弹跳的算法难度并不大。见MIT最早双足机器人空翻视频,理论上算法难度远大于Handle ,更不提Wildcat在高速奔跑Gallop的算法难度。主要难度在于硬件方面,包括动力和机构。

Handle的两个轮子,一个轮子在爬坡,一个轮子在平地,速度肯定不一样,请问这是两个轮子的速度和稳定性怎么控制的?

个人对轮式运动不是很了解。但现有的全地形越野车很容易做到这点,甚至可以完成更复杂的任务(并且其悬挂是被动的)。

Handle的优势在于其腿模拟一个主动悬挂,可以主动控制腿长和支撑力。更有利于重心的调整和姿态控制。

两个轮子不转的时候能走路吗?

不行。主要原因:

1. 机器人侧向无法平衡。腿部的自由度不够,特别是髋缺少Roll (侧摆)关节。简单来说:走路时。

2. 行走方向很难控制。髋缺少Yaw(偏转)关节,轮与地面的接触面不够,难以提供足够摩擦扭矩维持身体方向。

足式机器人未来和挑战

Handle待解决问题:

上台阶问题。(易解决)

自主移动与自主操作问题。(机器人是一个完整的系统,光有运动能力并不够,待无人车技术、人工智能技术等技术一起成熟)

安全性问题。(也是双足应用的最大问题和瓶颈,致命弱点。双足重心较高,稳定性不够。故障时,机器人摔倒,如何对环境的破坏和人员的伤害,基本无解)

强调动态平衡/稳定(Dynamics Balance/ Stability),欠缺静稳定(Static Stability)。

动态平衡必须实时依靠控制来完成平衡控制,一旦这种掉电或故障,控制失去,机器人就会失去平衡摔倒。

未来实用化方案:

轮腿式四足机器人。我不知道现在说这话是不是有点马后炮,不过我们在一年前就尝试轮腿式机器人,当然,我们期待spotmini的下一代。

我们在做什么?

  1. 打乒乓球的仿人机器人“悟”和“空”

    浙江大学控制学院机器人实验室打乒乓球的仿人机器人“悟”和“空演示视频

  2. 地图构建与定位导航

    浙江大学控制学院机器人实验室地图构建与定位导航演示视频

  3. 2015亚马逊机器人分拣货物挑战赛(Amazon Robot Picking Challenge, 5st Place)

    解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

  4. 移动操作(Mobile Manipulation)

    解析波士顿动力Handle机器人背后的技术(附PPT+视频) | 硬创公开课

  5. 自主行走平衡车

  6. 腿式机器人

浙江大学控制学院机器人实验室单足机器人演示视频

浙江大学控制学院机器人实验室双足机器人演示视频

浙江大学控制学院机器人实验室四足机器人“赤兔”演示视频

四足机器人“赤兔”是我们的一个创业项目,我们的目标是将四足机器人实用化和产品化。目前我们是个10几个人的团队,我们也希望有能力、有共同梦想的小伙伴加入我们,有兴趣的可以发送个人简历至lichao8622@126.com。


无配对动作重定向:人形机器人跨构型运动迁移实战框架 动作重定向是人形机器人实现自然运动控制的核心技术,其本质是将人类运动数据映射到具身物理系统的过程。传统方法依赖高成本配对数据与精确动力学模型,导致泛化性差、部署周期长。而基于物理约束的自洽优化路径,通过运动解耦与构型无关的运动学指纹建模,显著提升鲁棒性与跨平台兼容性。该技术支撑真实产线中碎石路行走、快递递送、多机协同等复杂场景,尤其适用于波士顿动力Atlas、优必选Walker X等异构人形平台。Human2Humanoid框架正是这一范式的工程落地代表,兼顾实时性、轻量化与零标定启动能力。 阅读详情

相关推荐

人形机器人ForceVLA与媒体神经系统技术拆解

力觉闭环(ForceVLA)和媒体神经系统是具身智能系统的核心基础设施,其本质是将物理世界约束(如力、扭矩、时序确定性)深度嵌入多模态感知与决策流程。ForceVLA并非视觉增强,而是以末端六维力为一等模态,构建视觉-力觉跨模态一致性校验;媒体神经系统则突破传统ROS架构,依托TSN时间同步与FPGA硬编码实现≤37ms端到端确定性延迟。二者共同支撑VLA从‘看图说话’升级为‘时空状态编译器’,在灵巧操作、动态平衡、抗干扰交互等关键场景中提供物理可信的动作输出。本文聚焦硬件层力控精度、触觉事件驱动、双闭环嵌

weixin_34220179的博客 306

使用C# 处理机器人运动学

【代码】使用C# 处理机器人运动学。

helldoger的博客 984

机器狗具身智能测评实战:从仿真到实机的送水挑战全解析

具身智能是人工智能与物理世界交互的关键领域,其核心在于让智能体通过感知、规划和执行在真实环境中完成任务。其技术原理通常涉及多模态感知、运动控制、任务规划与强化学习的结合,旨在解决从虚拟决策到物理动作的“最后一公里”问题。这一技术的核心价值在于推动服务机器人、自动化物流等场景的实用化落地。本文聚焦于一个具体的具身智能测评基准——机器狗“送水挑战”。该挑战通过模拟真实服务场景,系统性地评估机器狗在移动操作、任务规划及抗干扰等方面的能力。项目强调从仿真环境(如Isaac Sim)到实体机器狗(如宇树、小米等平台)

anjichan4261的博客 329

波士顿动力机器人源代码链接分享

点这里 具体代码的使用,还在研究中

Bean的博客 7534

智能代理技术演进:从规则驱动到自主学习

智能代理(AI Agent)作为人工智能的核心载体,经历了从基于硬编码规则的反射型代理,到具备环境建模能力的模型化代理,再到目标驱动和自主学习的演进过程。其技术原理从简单的条件反射发展为结合感知理解、推理决策、学习适应和交互协作的复杂系统。在现代应用中,智能代理通过多模态感知(如视觉识别、语音转写)、混合架构推理(符号逻辑+神经网络)以及在线学习机制(增量学习、迁移学习),显著提升了任务处理效率和适应性。典型应用场景覆盖医疗分诊、金融投顾、智能客服等领域,其中强化学习(RLHF)和提示工程(Prompt E

weixin_30301449的博客 390

ATOKEN:面向视觉语义理解的统一Token化架构

视觉token化是多模态AI的基础环节,其本质是将原始图像映射为具有可解释性与任务适应性的语义单元。传统patch-based方法仅做空间切分,缺乏物体、部件、关系与动作等层级语义建模能力,导致模型在空间推理、零样本泛化和边缘部署中表现受限。ATOKEN提出四层语义编码范式,将视觉理解升维为‘像素→物体→部件→关系→动作’的结构化解析过程,每个token自带类型标签、置信度与空间锚点,天然支持下游任务即插即用。该设计显著提升模型可解释性、降低训练与部署成本,并已在工业质检、医疗影像与AR交互等场景验证实效。

weixin_30470643的博客 419

解析波士顿Handle机器人背后的技术

在斗鱼直播平台,浙大李超博士的公开课分享了关于handle的技术细节,解析波士顿Handle机器人背后的技术,观察敏锐,思路清晰。内容介绍了波士顿动力公司的历代4足和2足机器人的开发历史。并结合李超的专业重点讲解了腿的细节。李超不太清楚gallop(类似马的飞奔,4条腿交替着地),我认为gallop动作其实是bound(后腿和前腿交替着地)的动作变形,减轻了冲击和重心的剧烈变动公开课中提到,4足机...

高触Toucher 6018

基于handle_detector的机器人对目标定位

handle_detector可以在三维点云中定位操作器械,让机器人从桌子上抓取物体,然后放在箱子中

sinat_36905266的博客 921

“模块版”波士顿动力的Handle圣诞来袭,原来做个轮腿机器人可以这么简单

来源 | 机器人大讲堂 原创 | 凛冬   HEBI轮式机器人 导读 轮式自平衡遥控机器人给大家送祝福来了!视频中“活泼可爱、自带卖萌属性”的“圣诞老人”就是我们今天要介绍的主人公-来自HEBI的IGOR(14DOF)轮式机器人。 看到它有没有觉得很眼熟,是不是跟下面这位大兄弟很像?                                               ...

高触Toucher 2099

波士顿动力机器人明星产品.ppt

波士顿动力机器人明星产品.ppt该文档详细且完整,值得借鉴下载使用,欢迎下载使用,有问题可以第一时间联系作者~

解析波士顿Handle机器人背后的技术 - 硬创公开课-超清720P(2893481).mp4

李超,浙江大学控制学院机器人实验室博士,“赤兔”四足机器人运动控制负责人,波士顿动力的忠实拥趸,足式机器人实用化方向的创业者。李超大佬公开课视频--解析波士顿Handle机器人背后的技术,

无配对运动重定向:异构人形机器人动作迁移新范式

运动重定向是具身智能中连接人类意图与机器人执行的关键技术,其核心在于将高层动作语义(如重心转移、支撑相切换)转化为符合物理约束的关节控制指令。传统方法依赖昂贵且脆弱的成对动捕数据,泛化能力差;而无配对方案通过解耦‘意图编码’与‘约束解耦重定向’,利用URDF建模硬件差异、GNN学习跨构型约束模式,实现单目视频到多类机器人(轮式双足、液压人形、四足平台)的端到端驱动。该技术显著降低动作部署门槛,支撑工业分拣、仓储搬运等场景的快速复用,是当前机器人运动规划从定制开发迈向标准化服务的重要突破。

weixin_34187862的博客 682

gitlab远程子仓库配置SSH - 保姆级教程

在网上搜索了一些方法,但是不够详细,走了好多弯路,所以记录下配置SSH的详细过程吧。

是菠萝的博客 1万+

中国机器人进军硅谷,每日AI新闻,十大热点完整实战指南

中国机器人进军硅谷与AI十大热点新闻——深度解析与实战指南。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 540

警惕AI依赖:如何避免数字水蛭侵蚀你的认知能力

在人工智能技术日益普及的今天,人机协作已成为现代工作流的核心范式。其原理在于通过算法模型辅助人类完成信息处理、内容生成等任务,从而提升效率。然而,过度依赖AI可能导致认知卸载,引发思考能力退化等潜在风险。从技术价值看,AI的核心在于增强而非替代人类智能,关键在于建立健康的协作模式。在应用场景上,无论是编程开发、内容创作还是决策分析,用户都需警惕工具依赖对深度工作、创造性思维和决策责任的侵蚀。本文聚焦于识别AI依赖的早期信号,并提供构建分阶段使用流程、将AI作为质疑者等具体策略,旨在帮助读者守护核心认知能力,

weixin_30240349的博客 625

Stata新手避坑:用reghdfe搞定行业、地区多重固定效应,告别‘共线性’报错

本文详细介绍了如何使用Stata中的reghdfe命令高效处理多重固定效应问题,解决传统方法在面板回归中遇到的共线性报错和低R²问题。通过实战案例和高级技巧,帮助新手快速掌握行业、地区等多维固定效应的控制方法,提升经济学和金融学研究的分析效率。

weixin_30635053的博客 419

波士顿动力发布最新物流机器人Handle:头顶吸盘脚踩双轮,30斤重物轻松运

来源 | 大数据文摘 作者 | 魏子敏 波士顿动力家族新成员曝光。 今天,机器人网红公司波士顿动力官方推出了全新主角物流机器人Handle——一款专为物流设计的移动操纵机器人,据称能搬动30多磅(约 15公斤)左右的箱子。 波士顿动力今天也放出了最新视频,视频中,两只Handle机器人靠两只轮子准确定位、灵活行走,并且靠前部吸盘吸住货物,熟悉完成托运工作。 不仅能精准定位货...

高触Toucher 1002

MacOS多次踩坑后成功安装Homebrew

来一次性成功安装Homebrew吧 官网提供的安装脚本无法成功安装Homebrew,原因大家都懂的,故采用脚本安装的方式。 下载homebrew的安装脚本brew_install 在Download路径下执行如下脚本 curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install >> brew_install 修改brew_install脚本 修改brew_install脚本。如果你的脚本打开之后是如下

weixin_41847116的博客 1983

大新闻 波士顿动力和Schaft && 软银

请点击TomRobot关注 Robot Robot :D 插播一条大新闻~~~关于软银,波士顿动力和Schaft的: 1 软银将收购google的两大机器人公司 今天打开网站看到个惊人的信息: 信息还没有完全公布出来,IEEE提供的信息源来自这里: 那么收购完成后,软银的机

TomRobot 832

6、线性时序逻辑到确定性自动机的翻译

本博文详细介绍了将线性时序逻辑(LTL)转化为确定性自动机的理论基础、技术方法和实际应用。内容涵盖LTL的基本运算符、确定性自动机的特点及其在模型检测中的作用,以及具体的翻译步骤与优化策略。通过实际案例展示了如何利用这一技术进行系统属性验证,并探讨了翻译过程中可能遇到的挑战及解决方案。

gpu4optimizer的博客 150

YOLOv8改进策略【卷积层】| CVPR-2023 部分卷积 PConv 轻量化卷积,降低内存占用

本文记录的是利用优化的目标检测方法研究。深度可分离卷积可以减少FLOPs,但会导致更高的内存访问,引起延迟并减慢整体计算。部分卷积利用逐点卷积处理通道冗余,减少模型计算量和内存访问量。Run, Don’t Walk: Chasing Higher FLOPS for Faster Neural Networks及其改进的实现代码如下: 四、创新模块 4.1 改进点⭐ 模块改进方法:直接加入(第五节讲解添加步骤)。模块加入如下:模块改进方法:基于的(第五节讲解添加步骤)。第二种改进方法是对中的进行改进,并将

Limiiiing的博客 1016

可和波士顿动力Handle机器人 PK的滑冰选手?自由驾驭冰刀适应力强!

来源 | 机器人大讲堂 原创 | 第五先森   导读 近些年,随着科技的不断发展,我们见识到很多有趣的机器人类型,拥有公民身份的机器人索菲亚、可奔跑可跳跃可旋转的机器人Atlas,能够与人共舞的机器人莱卡狗、意大利的半人马机器人……今天,要给大家介绍一给个可以自学滑冰的机器人——Skaterbots。 该款机器人是瑞士苏黎世联邦理工学院(ETH Zurich)计算机器人实验室设计制造...

高触Toucher 636

顶级AI大模型白嫖ChatGPT Plus1个月,0成本薅顶配功能

Chat*** Plus限时免费1个月!原价20美元/月的顶配功能

BUG猿的博客 7278

硬核干货|揭示波士顿动力机器人背后的专利技术(上)

来源:超凡知识产权,机器人大讲堂整理发布摘要:如果说在腿足机器人领域里,有一个让人闻之色变的变态企业,那就非波士顿动力莫属了。深耕几十年的技术积累加上“不谙世事”的科研态...

人工智能学家 4536

Linux系统中u-boot启动流程分析(详解)

代码部分,具体如下;

嵌入式技术开发 1992

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

上一篇: 从离轴光学到波导技术:详解 AR 显示的过去和未来
下一篇: 3D Depth Sensing Tutorials
xiangz_csdn
博客等级 码龄10年 537粉丝 9原创
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值