from gemini:
这个发帖人提到的观点虽然语气很狂（“懒得说自己去看”），但他提到的技术突破确实是**足式机器人（Legged Robots）**领域的里程碑事件。
他所指的 **“2017年左右”、“anymal”、“彻底解决端到端训练”**，主要指的是 **苏黎世联邦理工学院（ETH Zürich）** 的 **Robotic Systems Lab (RSL)** 团队（由 Marco Hutter 教授带领）在 **Sim-to-Real（仿真到真机迁移）** 方面取得的突破性进展。
### 1. 具体的论文是什么？
虽然发帖人说2017年，但这项工作最集大成、最著名的发表是在 **2019年** 的《Science Robotics》，不过其前置研究（会议论文和预印本）确实始于2017-2018年。
最有代表性的论文是：
> **Learning agile and dynamic motor skills for legged robots**
> *Jamin Hwangbo, Juntao Lee, Alexey Dosovitskiy, Dario Bellicoso, Vassilios Tsounis, Vladlen Koltun, Marco Hutter*
> (发表于 *Science Robotics*, Jan 2019)
如果在2017年左右找对应的早期工作，可能是指他们早期的尝试：
> **Control of a Quadruped Robot using Deep Reinforcement Learning** (2017 IEEE International Conference on Robotics and Automation 等相关早期工作)
### 2. 这篇论文解决了什么核心问题？
在 AI 和机器人结合的早期，有一个巨大的痛点叫 **"Reality Gap"（现实鸿沟）**：
* **以前的问题：** 你在电脑里（仿真环境）用强化学习（AI）训练机器人走路，机器人学得很好。但当你把这套 AI 模型拷贝到真实的物理机器人身上时，**它立刻就会摔倒**。原因在于仿真环境无法完美模拟真实世界的摩擦力、电机延迟、地面软硬度等物理特性。
* **ETH ANYmal 的突破（Sim-to-Real）：**
这篇论文的核心贡献在于提出了一套方法，让 AI 在仿真里训练出来的“大脑”，可以直接无缝部署到真实的 ANYmal 狗身上，而且**表现比人类手写的控制算法还要好**。
**他们是怎么做到的？（技术干货）**
1. **执行器网络（Actuator Net）：** 以前的仿真只模拟刚体物理（比如铁块的碰撞），忽略了电机内部极其复杂的物理特性（齿轮摩擦、反电动势、信号延迟）。Jamin Hwangbo 等人专门训练了一个小神经网络来模拟“电机”本身。
2. **域随机化（Domain Randomization）：** 在训练时，故意把地面的摩擦力、机器人的重量参数随机乱改，让 AI 适应各种“恶劣环境”。
### 3. 用户为什么说“彻底解决”？（以及为什么有点夸张）
**为什么他说对了：**
这篇论文之后，机器人控制领域发生个了**范式转移（Paradigm Shift）**。以前大家写代码控制机器人走路（比如波士顿动力的早期Atlas），用的是数学模型（MPC, WBC）；现在只要是做四足机器人，大家几乎都在用端到端强化学习（RL）。
**ANYmal 证明了：不需要手写复杂的物理公式，只要给 AI 足够好的仿真环境，它就能学会如何在乱石堆、滑板及被踢踹的情况下保持平衡，甚至比人写的代码更强。**
**为什么他说得有点夸张：**
虽然基础原理通了，但说“彻底解决”是夸张了。
* 现在的机器人还需要解决更复杂的**手眼协调**（比如人形机器人拿咖啡）。
* ANYmal 当年解决的是“运动控制（Locomotion）”，也就是“怎么走路不摔倒”，这只是机器人大脑的小脑部分。
### 总结
这位发帖人想表达的意思是：
这一波机器人热潮（比如 Figure 01、特斯拉 Optimus）的底层控制能力，确实是建立在 AI（特别是强化学习）的基础上的。**早在几年前，ANYmal 的研究就已经证明了：用 AI 训练机器人走路，比传统方法更强、更快、更通用。**
所以他说机器人热潮和 AI 的关系就像“黄金和白银”，意指二者是**强绑定、伴生**的关系。
【 在 lvsoft 的大作中提到: 】
: 黄金跟白银的关系。
: 机器人端到端训练的问题，2017年左右就被anymal的一篇论文彻底解决掉了。
: 具体我懒得说自己去看论文。
: ...................
--
FROM 222.71.196.*