波士顿动力为其Atlas人形机器人引入了轮式移动能力，使其既能在平坦地形快速滚动，又能利用关节式腿部穿越障碍物及不平整表面。这一实验性改进结合了基于经典模型的电机控制与全身强化学习算法，旨在维持机器人在不规则真实地形上的动态稳定性。
除了掌握轮式足部移动技巧，Atlas还能完成旋转及其他高难度动作，证实了其能在平地高速滚动与复杂表面关节运动之间实现平滑切换。
仿真训练与现实部署
Atlas控制系统工程师Andy Wu在仿真环境中完成了系统训练。据Wu介绍，所有行为均在仿真中学习并在现实中精准执行，其转换过程被形容为“极其简单”。
硬件改装方面，仅需一个定制适配器即可将市售滑板车轮圈安装至Atlas现有的踝关节执行器上，这是整个改装中唯一的新增部件。鉴于Atlas从设计之初便考量了高产量生产与维护便利性，Wu指出此次改装难度仅相当于更换自行车车轮。
软件层面同样直接：每个轮子被建模为可连续旋转的“脚踝”，只需将基线机器人模型中的脚部替换为轮子即可。
控制协同效应
Wu接下来的研究重点将是系统对执行器故障的策略响应，这对提升安全性及理解系统故障反应至关重要。
波士顿动力控制工程团队的核心收获在于验证了“控制协同效应”。视频演示显示，将用于基线稳定性的经典电机控制与用于反应性适应的全身强化学习相结合，相比单独使用任一方法，均能带来更优越的现实世界敏捷性。