RMAC，即现代汽车集团美国超级工厂（HMGMA）内的机器人超级工厂应用中心（Robotics Metaplant Application Center），设在美国佐治亚州。它的任务不是单纯展示 Atlas 人形机器人会走路、会搬东西，而是解决更难的一步：把机器人能力打磨成工厂里可稳定、可验证、可复制的工作流程。

波士顿动力与现代汽车目前从汽车零部件物流和排序切入，让 Atlas 先在贴近实际生产的环境中学习和验证，再逐步导入制造现场。3536

Atlas 在 RMAC 首先学什么？

第一个重点任务是零部件排序（parts sequencing）。在混线生产的汽车工厂里，同一条装配线可能同时生产不同车型和配置版本；装配工位必须在恰当的时间拿到正确型号、且排列顺序正确的零件。排序正是上线前把零件按当天生产节奏预先组织好的物流环节。10

这类任务有明确的业务价值，同时边界相对清晰，因此适合作为人形机器人的首个落地场景。

公开演示显示，Atlas 可自主把发动机罩从供应商周转箱转移到移动式排序料车。机器人会接收料箱位置列表，借助机器学习视觉模型定位料箱和工装，采用专门的抓取策略，并持续估计手中物体的状态。9

现代汽车称，RMAC 会把人类的抬举、转身和失衡恢复等动作映射为训练内容，用于重复性和复杂任务；中心还承担行为数据采集、系统测试及商用投产前验证。3642

三层训练：人工引导、仿真强化学习与现场验证

Atlas 并不依赖单一训练方法，而是将三种互补手段组合起来。

1. 人工示教与远程操控

Atlas 可以自主工作，也可由操作员通过 VR 头显或平板控制器进行手动控制。4

这为工程团队提供了两类关键能力：一是面对陌生任务时，由人演示可行的动作或及时介入；二是把这些高价值操作样本沉淀下来，帮助机器人发展行为能力，而不是让工程师手工编写每一条动作轨迹。

对于抓取、搬运等操控任务，这一点尤其重要：动作是否成功，取决于机器人的姿态、与物体的接触方式，以及工位布局的具体细节。

2. 在仿真中进行强化学习

波士顿动力介绍过 Atlas 搬运重物的训练方式：以搬起小冰箱为例，机器人在仿真环境中面对数量极大的变化组合进行练习，学习适应现实中不同版本的物体，而非死记一套固定动作。5

对汽车物流而言，变化不只来自零件本身。料箱、工装、物体摆放姿态和作业条件都可能不同。仿真可让策略在上实体机器人之前接触更广泛的情况。

3. 接近真实工厂的验证

仿真很重要，但最后的标准仍是：机器人能否在制造环境中持续、可靠地完成工作。RMAC 就是为这一验证阶段而设——在 Atlas 进入现代汽车生产线前，团队可在此开发应用场景、采集数据、测试表现并迭代机器人行为。3642

为什么汽车工厂的“拿起、放下”并不简单？

把一个零件从容器移到另一个位置，听上去简单，实际却是一个同时涉及移动、感知、操控和生产协同的难题。

• 感知必须理解上下文。 Atlas 不仅要看懂物体的几何形状，还要理解它在环境中的角色。波士顿动力指出，工厂内反光的金属件或低对比度的深色零件，即便是在看似简单的抓放任务中，也会增加识别难度。12
• 能抓住不等于能安全搬运。 对于沉重或形状不规则的物体，机器人必须考虑质量和惯性，必要时进行支撑，并依靠全身控制，而不是只靠双手完成动作。7
• 工作是长流程，不是单个动作。 机器人可能需要理解工单、寻找料箱、识别正确零件、安全抓取、运送、精确放置，并应对环境变化或失败情况。波士顿动力正在开发由语言条件驱动的大行为模型（Large Behavior Models），以处理这类长时程操控任务。11
• 工厂系统集成同样关键。 Atlas 支持条码扫描和工作流集成，但制造业真正需要的是可预测的执行、有限人工监管和稳定运行，而不只是一次受控演示的成功。2

从一次次试验，转向可复用的行为生产线

RMAC 的重要变化不仅在技术，也在组织方式。过去 Atlas 的展示更多体现单项能力；RMAC 则被设计成一套持续运转的能力开发体系：采集作业数据，开发并测试一项行为，在真实感环境中验证，再将其复用和迭代。

波士顿动力表示，一台 Atlas 学会的新技能可部署至整个 Atlas 机群，任务也可按需定制并规模化重新部署。16 现代汽车则将 RMAC 定位为端到端 AI 机器人价值链的一环，连接训练数据、测试和验证。36

这并不意味着每项能力都能原封不动地迁移到不同工厂。不同工厂的物料、工装与流程仍有差异。但目标已经从“每个工厂各做一次定制试验”，变为形成可重复部署、能够持续改进的机器人能力包。

部署时间表：2028 年先在佐治亚州上岗

RMAC 在试运行后于 2026 年 9 月启动全面运营，作为 Atlas 进入现代汽车制造现场前的测试平台。3335

现代汽车公布的路线图区分了训练期与生产现场运行期：Atlas 预计将在 2028 年开始于 HMGMA 作业，初期聚焦零部件排序。相关报道显示，后续计划分阶段扩展至其他地点，并最终进入零部件装配等任务。2644

现代汽车也曾提出，计划在现代和起亚工厂部署超过 2.5 万台 Atlas，并在 2028 年实现约 3 万台机器人的年产能。这些是企业公布的部署意向和产能目标，并不代表目前已拥有同等规模的在役机群。2627

捷克工厂会是 Atlas 的下一站吗？

据近期报道，现代汽车位于捷克诺绍维采（Nošovice）的工厂正与波士顿动力及现代汽车总部讨论 Atlas 的潜在部署。但在现有生产线上测试或正式投产的时间，尚未公布。1819

若在欧洲开展试点，考验的不只是机器人的技术能力。报道将劳动力短缺列为推动因素之一，但员工接受度、安全、质量以及与既有工作流程的融合，都是部署必须回答的问题。1921

因此，近期结论很明确：佐治亚州 RMAC 是 Atlas 的主要训练基地，零部件排序是首个实际应用；RMAC 是否成功，最终要看 Atlas 的行为能否在真实工厂运营中稳定、重复地发挥作用，而不是看一次演示有多精彩。

RMAC，即现代汽车集团美国超级工厂（HMGMA）内的机器人超级工厂应用中心（Robotics Metaplant Application Center），设在美国佐治亚州。它的任务不是单纯展示 Atlas 人形机器人会走路、会搬东西，而是解决更难的一步：把机器人能力打磨成工厂里可稳定、可验证、可复制的工作流程。

波士顿动力与现代汽车目前从汽车零部件物流和排序切入，让 Atlas 先在贴近实际生产的环境中学习和验证，再逐步导入制造现场。3536

Atlas 在 RMAC 首先学什么？

第一个重点任务是零部件排序（parts sequencing）。在混线生产的汽车工厂里，同一条装配线可能同时生产不同车型和配置版本；装配工位必须在恰当的时间拿到正确型号、且排列顺序正确的零件。排序正是上线前把零件按当天生产节奏预先组织好的物流环节。10

这类任务有明确的业务价值，同时边界相对清晰，因此适合作为人形机器人的首个落地场景。

公开演示显示，Atlas 可自主把发动机罩从供应商周转箱转移到移动式排序料车。机器人会接收料箱位置列表，借助机器学习视觉模型定位料箱和工装，采用专门的抓取策略，并持续估计手中物体的状态。9

现代汽车称，RMAC 会把人类的抬举、转身和失衡恢复等动作映射为训练内容，用于重复性和复杂任务；中心还承担行为数据采集、系统测试及商用投产前验证。3642

三层训练：人工引导、仿真强化学习与现场验证

Atlas 并不依赖单一训练方法，而是将三种互补手段组合起来。

1. 人工示教与远程操控

Atlas 可以自主工作，也可由操作员通过 VR 头显或平板控制器进行手动控制。4

这为工程团队提供了两类关键能力：一是面对陌生任务时，由人演示可行的动作或及时介入；二是把这些高价值操作样本沉淀下来，帮助机器人发展行为能力，而不是让工程师手工编写每一条动作轨迹。

对于抓取、搬运等操控任务，这一点尤其重要：动作是否成功，取决于机器人的姿态、与物体的接触方式，以及工位布局的具体细节。

2. 在仿真中进行强化学习

波士顿动力介绍过 Atlas 搬运重物的训练方式：以搬起小冰箱为例，机器人在仿真环境中面对数量极大的变化组合进行练习，学习适应现实中不同版本的物体，而非死记一套固定动作。5

对汽车物流而言，变化不只来自零件本身。料箱、工装、物体摆放姿态和作业条件都可能不同。仿真可让策略在上实体机器人之前接触更广泛的情况。

3. 接近真实工厂的验证

仿真很重要，但最后的标准仍是：机器人能否在制造环境中持续、可靠地完成工作。RMAC 就是为这一验证阶段而设——在 Atlas 进入现代汽车生产线前，团队可在此开发应用场景、采集数据、测试表现并迭代机器人行为。3642

为什么汽车工厂的“拿起、放下”并不简单？

把一个零件从容器移到另一个位置，听上去简单，实际却是一个同时涉及移动、感知、操控和生产协同的难题。

• 感知必须理解上下文。 Atlas 不仅要看懂物体的几何形状，还要理解它在环境中的角色。波士顿动力指出，工厂内反光的金属件或低对比度的深色零件，即便是在看似简单的抓放任务中，也会增加识别难度。12
• 能抓住不等于能安全搬运。 对于沉重或形状不规则的物体，机器人必须考虑质量和惯性，必要时进行支撑，并依靠全身控制，而不是只靠双手完成动作。7
• 工作是长流程，不是单个动作。 机器人可能需要理解工单、寻找料箱、识别正确零件、安全抓取、运送、精确放置，并应对环境变化或失败情况。波士顿动力正在开发由语言条件驱动的大行为模型（Large Behavior Models），以处理这类长时程操控任务。11
• 工厂系统集成同样关键。 Atlas 支持条码扫描和工作流集成，但制造业真正需要的是可预测的执行、有限人工监管和稳定运行，而不只是一次受控演示的成功。2

从一次次试验，转向可复用的行为生产线

RMAC 的重要变化不仅在技术，也在组织方式。过去 Atlas 的展示更多体现单项能力；RMAC 则被设计成一套持续运转的能力开发体系：采集作业数据，开发并测试一项行为，在真实感环境中验证，再将其复用和迭代。

波士顿动力表示，一台 Atlas 学会的新技能可部署至整个 Atlas 机群，任务也可按需定制并规模化重新部署。16 现代汽车则将 RMAC 定位为端到端 AI 机器人价值链的一环，连接训练数据、测试和验证。36

这并不意味着每项能力都能原封不动地迁移到不同工厂。不同工厂的物料、工装与流程仍有差异。但目标已经从“每个工厂各做一次定制试验”，变为形成可重复部署、能够持续改进的机器人能力包。

部署时间表：2028 年先在佐治亚州上岗

RMAC 在试运行后于 2026 年 9 月启动全面运营，作为 Atlas 进入现代汽车制造现场前的测试平台。3335

现代汽车公布的路线图区分了训练期与生产现场运行期：Atlas 预计将在 2028 年开始于 HMGMA 作业，初期聚焦零部件排序。相关报道显示，后续计划分阶段扩展至其他地点，并最终进入零部件装配等任务。2644

现代汽车也曾提出，计划在现代和起亚工厂部署超过 2.5 万台 Atlas，并在 2028 年实现约 3 万台机器人的年产能。这些是企业公布的部署意向和产能目标，并不代表目前已拥有同等规模的在役机群。2627

捷克工厂会是 Atlas 的下一站吗？

据近期报道，现代汽车位于捷克诺绍维采（Nošovice）的工厂正与波士顿动力及现代汽车总部讨论 Atlas 的潜在部署。但在现有生产线上测试或正式投产的时间，尚未公布。1819

若在欧洲开展试点，考验的不只是机器人的技术能力。报道将劳动力短缺列为推动因素之一，但员工接受度、安全、质量以及与既有工作流程的融合，都是部署必须回答的问题。1921

因此，近期结论很明确：佐治亚州 RMAC 是 Atlas 的主要训练基地，零部件排序是首个实际应用；RMAC 是否成功，最终要看 Atlas 的行为能否在真实工厂运营中稳定、重复地发挥作用，而不是看一次演示有多精彩。