28-án a Boston Dynamics bejelentette, hogy négylábú robotja, a Spot olyan összetett manővereket ért el, mint a folyamatos hátraszaltó. Az alapvető technológia több millió megerősítő tanulási képzési ciklusból származik. A K+F csapat először mutatta meg, hogy a kezdeti szimulációs eredmények, amikor átvitték a valódi robotra, "szinte minden alkalommal meghiúsultak". Arun Kumar mérnök bevallotta: "Több százszor estünk el tornaszőnyegen, mielőtt meg mertük volna hagyni, hogy betonon is próbálkozzon."
A látszólag mutatós visszafordítások valójában az extrém forgatókönyvek túlélését célozzák. A hivatalos adatok azt mutatják, hogy a megerősítő tanulás 40%-kal növelte a Spot testtartásbeállítási sebességét esések vagy csúszások esetén, hatékonyan védve a hátán lévő több tízezer dollár értékű érzékelőt, mint például a LiDAR. Váratlan bónusz, hogy a robot járása az optimalizált dinamikus irányításnak köszönhetően jobban hasonlít egy igazi kutyához. Az ízületi lengés 15%-kal csökkent, a végtagok koordinációja egyenetlen terepen 22%-kal javult, és a mellső lábaira szerelt görgőkkel még az egyensúlyt is meg tudja tartani.
Ez az áttörés folytatja a Spot család tartós örökségét: a 2015-ös kirúgás utáni stabil maradástól a mostani visszafutásig, hogy megmentse magát, a Boston Dynamics a „próbálkozás és hiba képzést” kereskedelmi előnyökké alakítja. Kiderült, hogy az új algoritmust olyan magas-kockázatú forgatókönyvekre alkalmazták, mint például az olajvezetékek ellenőrzése. Egy energetikai ügyfél arról számolt be, hogy 67%-kal csökkent a csúszós csővezetékek okozta balesetek aránya Spotban. "A visszarúgás nem a végjáték" - mondta Kumar. "Megtanítjuk, hogy "jósolja meg az eséseket", hogy jobban meg tudja védeni magát, mint az emberek."