AI-translated from English; not yet reviewed by a fluent editor.

# Boston Dynamicsने शिकून साधनांचा वापर करता यावा यासाठी Atlasचा नवा हात तयार केला

> Boston Dynamicsच्या चार बोटांच्या Atlas हातात 13 स्वातंत्र्य-अंश, बाह्य बलाने उलट फिरू शकणारी अ‍ॅक्च्युएशन आणि स्पर्श-संवेदक यांचा सिम्युलेशनमधील reinforcement learningशी मेळ घातला आहे. कंपनीने सुरुवातीच्या हस्तांतरणाचे परिणाम सांगितले, पण बेंचमार्क किंवा व्यावसायिक वापर प्रकाशित केलेला नाही.

By BIG CHANGE Editorial

Published: 2026-10-09T20:36:05.023Z
Updated: 2026-10-09T20:36:05.023Z
Canonical: https://bigchange.ai/blog/boston-dynamics-atlas-hand-learned-tool-use

![An unbranded four-finger robotic hand hovers above a small cylindrical handle on a workshop bench, supported by a bolted fixture.](https://bigchange.ai/api/media/file/atlas-hand-concept-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. The generic hand is not Atlas hardware, a Boston Dynamics product rendering, or a test demonstration.

[Boston Dynamicsचा नवा Atlas हात](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/) चार बोटांचा असून त्यात 13 स्वातंत्र्य-अंश आहेत; तळहातावर आणि बोटांच्या टोकांवर दाब-संवेदक आहेत. कौशल्यपूर्ण हाताळणी सिम्युलेशनमध्ये प्रशिक्षित करणे आणि ते प्रत्यक्ष रोबोटकडे हस्तांतरित करणे सोपे व्हावे म्हणून हे हार्डवेअर तयार केल्याचे कंपनी सांगते. सार्वजनिक माहितीत सिम्युलेशनमधून वास्तवात हस्तांतरणाचे सुरुवातीचे परिणाम आहेत, पण बेंचमार्क, प्रत्येक कामातील यशाचे प्रमाण किंवा व्यावसायिक वापराचा पुरावा नाही.

## मोठा बदल

- **काय बदलले:** Boston Dynamics Atlas हाताची नवी पिढी वर्णन करते. आधीच्या सात-स्वातंत्र्य-अंशांच्या आवृत्तीपेक्षा यात अधिक सांधे, थेट अ‍ॅक्च्युएशन आणि दाट स्पर्श-संवेदना आहेत.
- **ते कसे काम करते:** कंपनी म्हणते की हाताची भूमिती, मोटरचे वर्तन आणि वस्तूंशी संपर्क यांचे मॉडेल तयार केले जाते; त्यानंतर हार्डवेअरवर चालवण्यापूर्वी यादृच्छिक परिस्थिती असलेल्या सिम्युलेशनमध्ये reinforcement-learning धोरणे प्रशिक्षित केली जातात.
- **हे महत्त्वाचे का:**बोटांची हालचाल, संपर्काची जाणीव आणि बलाला दिलेली प्रतिक्रिया यांवर हाताळणी अवलंबून असते. सिम्युलेशनमध्ये अंदाज करता येणारे वर्तन करणारा हात असेल, तर प्रत्यक्ष रोबोट वापरण्यापूर्वी अभियंते अधिक नियंत्रण प्रशिक्षित करू शकतील.
- **काय स्थापित झाले:**गतिमान कामांमध्ये सुरुवातीचे आशादायक हस्तांतरण झाल्याचे Boston Dynamics सांगते. मात्र कामे, नमुन्यांचा आकार, यशाचे प्रमाण, तुलना-आधार किंवा वापराचे वेळापत्रक ती उघड करत नाही.

## चार बोटे आणि अधिक सक्षम अंगठा

[नव्या हाताला 13 स्वातंत्र्य-अंश असल्याचे Boston Dynamics सांगते](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/): विरोधी अंगठ्यात चार आणि इतर प्रत्येक तीन बोटांत प्रत्येकी तीन. अंगठा इतर बोटांच्या लांबीच्या दिशेने आणि त्यांच्या आडवा सरकू शकतो, त्यामुळे चिमटीची आणि त्रिपाद पकड शक्य होते, असे कंपनी म्हणते. साधन धरून त्याचा ट्रिगर दाबण्याचे उदाहरणही ती देते.

रचनेत पाचवे बोट नाही. [Boston Dynamics म्हणते](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/) की अतिरिक्त बोटामुळे तीन अ‍ॅक्च्युएटर वाढले असते; तसेच खर्च, जागा, वीजवापर आणि बिघडू शकणारे घटकही वाढले असते. कंपनी याला कामानुसार केलेली तडजोड मानते: टीम ज्या हाताळणीच्या क्रियांवर लक्ष देते त्यांसाठी चार बोटांचा हात पुरेसा असू शकतो आणि यांत्रिक गुंतागुंत कमी होते. हा कंपनीचा रचनेमागील तर्क आहे; मानवी हाताची प्रत्येक कृती हा हात करू शकतो याचा पुरावा नाही.

कंपनीच्या मते, हाताचा आकार मोठ्या मानवी हाताजवळचा आहे; त्यामुळे तो माणसांच्या आकाराच्या जागेत पोहोचू शकतो आणि माणसांसाठी बनवलेली साधने वापरू शकतो. सीलबंद अ‍ॅक्च्युएटर, थेट ड्राइव्ह आणि उलट चालण्याची क्षमता यांमुळे सांधे बाह्य बलांना प्रतिसाद देतात, असे Boston Dynamics वर्णन करते. तळहात आणि बोटांच्या टोकांवर दाट दाब-संवेदक आहेत, तर अ‍ॅक्च्युएटर फीडबॅक सांध्यांची हालचाल आणि बलाबद्दल proprioceptive माहिती देते, असे कंपनी सांगते.

या निवडी वेगवेगळ्या नियंत्रण समस्यांना हाताळतात. सांध्यांचा फीडबॅक नियंत्रकाला बोटे कशी हलतात आणि वस्तूने उलट ढकलल्यास ती कशी प्रतिसाद देतात याचा अंदाज घेण्यास मदत करू शकतो. स्पर्श-संवेदक संपूर्ण हातातील संपर्क नोंदवू शकतात. कंपनी दोन्ही गोष्टी रचनेचे भाग म्हणून मांडते; प्रत्येक संवेदना-प्रणाली कामगिरी किती सुधारते हे दाखवणारे स्वतंत्र मूल्यमापन ती देत नाही.

## सिम्युलेशनसाठी हाताची रचना का केली

कुशल रोबोट-धोरण प्रशिक्षित करण्यासाठी माणसाच्या हाताच्या हालचाली नोंदवणे पुरेसे नाही. घालण्यायोग्य उपकरणांवरील प्रात्यक्षिके माणूस काय करतो ते टिपू शकतात, पण रोबोटची बोटे नियंत्रित करण्यासाठी लागणारे सर्व जलद बल-समायोजन टिपू शकत नाहीत, असा Boston Dynamicsचा युक्तिवाद आहे. तिची पद्धत सिम्युलेशन-आधारित reinforcement learningला भौतिक वर्तनाचे मॉडेल करता येईल अशा हातासोबत जोडते.

[त्या सिम्युलेशनचे तीन भाग कंपनी सांगते](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/): kinematics म्हणजे हाताची भूमिती आणि सांध्यांची स्थाने; dynamicsमध्ये घर्षण, टॉर्क आणि backlash; आणि contact म्हणजे बोटे व वस्तू यांचा परस्पर संपर्क. प्रशिक्षणात मोटरच्या टॉर्क प्रोफाइल, पृष्ठभागावरील घर्षण, वस्तूंची भूमिती आणि कामातील व्यत्यय यादृच्छिकपणे बदलले जातात, असे कंपनी म्हणते. प्रत्यक्ष हातावर चालवण्याआधी धोरणाला वेगवेगळ्या परिस्थिती अनुभवायला देणे हा या बदलांचा उद्देश आहे.

[गतिमान कामांमध्ये सिम्युलेशनमधून वास्तवात सुरुवातीचे हस्तांतरण झाल्याचे Boston Dynamics सांगते](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/). domain randomization वापरून सिम्युलेशनमध्ये ही वर्तने प्रशिक्षित केली आणि नंतर उच्च-दराच्या अ‍ॅक्च्युएटर proprioception फीडबॅकसह प्रत्यक्ष हातावर चालवली, असे कंपनी म्हणते. पोस्टमध्ये कामे, चाचण्यांची संख्या, यशाची मर्यादा, नोंदवलेल्या चाचण्यांत वापरलेल्या स्पर्श-डेटाचे प्रमाण किंवा धोरणाची रचना सांगितलेली नाही. “आशादायक” हे कंपनीचे वर्णन आहे; हा स्वतंत्रपणे तपासलेला बेंचमार्क नाही.

## रचनेची दिशा, प्रत्यक्ष वापराचा परिणाम नव्हे

साधनांचा वापर आणि इतर अचूक हाताळणीचे प्रशिक्षण सोपे करणे हा हाताचा घोषित उद्देश आहे. यांत्रिक रचना reinforcement learningशी Boston Dynamics कशी जोडते हे ही घोषणा स्पष्ट करते: थेट चालणारे, उलट फिरू शकणारे सांधे आणि संपर्काचे मॉडेल सिम्युलेशन व प्रत्यक्ष वर्तनातील फरक कमी करण्यासाठी आहेत.

त्याच पोस्टमध्ये विश्वासार्ह, कमी किमतीचे उत्पादन हे दीर्घकालीन उद्दिष्ट म्हटले आहे. नवा हात कधी उपलब्ध होईल, किती Atlas रोबोट तो वापरतात, प्रात्यक्षिकांव्यतिरिक्त कोणती कामे पूर्ण झाली किंवा कोणत्याही ग्राहकाने तो वापरात आणला आहे का, हे सांगितलेले नाही. सिम्युलेशनमधून हार्डवेअरवर हस्तांतरित होणारे धोरण प्रशिक्षित करता येते का, या प्रश्नापेक्षा हे वेगळे मुद्दे आहेत.

## स्रोत आणि पुढील वाचन

- [Boston Dynamics, “आधुनिक AI आणि प्रत्यक्ष कामासाठी रोबोटचे हात”](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/). हाताची रचना, संवेदना आणि सिम्युलेशन पद्धतीचे कंपनीकडून तांत्रिक स्पष्टीकरण; त्यात सुरुवातीच्या सिम्युलेशन-ते-वास्तव हस्तांतरणाचा दावा आहे. पृष्ठावर प्रकाशन तारीख नाही; 9 ऑक्टोबर 2026 रोजी पाहिले. स्वतंत्र बेंचमार्क किंवा व्यावसायिक वापराचा पुरावा दिलेला नाही.
- [The Robot Report, “पुन्हा रचलेल्या मानवरूपी हाताबद्दल Boston Dynamicsने अधिक माहिती दिली”](https://www.therobotreport.com/boston-dynamics-gives-more-insight-into-its-redesigned-humanoid-hand). पुनर्रचनेवरील मुलाखतीचा संदर्भ. ही स्वतंत्र कामगिरी चाचणी नाही; हाताच्या वैशिष्ट्यांसाठी आणि नोंदवलेल्या शिकण्याच्या परिणामांसाठी लेख Boston Dynamicsवर अवलंबून आहे.

## Sources

- [Boston Dynamics, आधुनिक AI आणि प्रत्यक्ष कामासाठी रोबोटचे हात](https://bostondynamics.com/blog/robot-hands-for-modern-ai-and-real-work/) — रचना, संवेदना, सिम्युलेशन आणि कंपनीने नोंदवलेल्या सुरुवातीच्या सिम्युलेशन-ते-वास्तव हस्तांतरणाचा प्राथमिक स्रोत.
- [The Robot Report, पुन्हा रचलेल्या मानवरूपी हाताबद्दल Boston Dynamicsने अधिक माहिती दिली](https://www.therobotreport.com/boston-dynamics-gives-more-insight-into-its-redesigned-humanoid-hand) — मुलाखतीचा संदर्भ; या लेखातील कोणताही अद्वितीय तथ्यात्मक दावा यावर अवलंबून नाही आणि हा कामगिरीचा परीक्षण नाही.