2025年春晚，宇樹科技的Unitree H1機(jī)器人“福兮”身穿花襖，帶領(lǐng)演員們共同完成了極具民族特色的扭秧歌表演《秧BOT》。
這不僅是一次視覺盛宴，更是機(jī)器人技術(shù)發(fā)展的生動(dòng)展示。那么，這些機(jī)器人是如何做到如此流暢的舞蹈動(dòng)作的呢？
“福兮”們憑借高自由度關(guān)節(jié)設(shè)計(jì)與高扭矩電機(jī)，實(shí)現(xiàn)類似人類的精準(zhǔn)運(yùn)動(dòng)控制，確保穩(wěn)定步態(tài)。在群舞表演中，它合3D 激光雷達(dá)（LiDAR）與計(jì)算機(jī)視覺，實(shí)時(shí)感知環(huán)境與演員位置，精準(zhǔn)同步隊(duì)形與動(dòng)作。
其核心技術(shù)包括強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL），使機(jī)器人通過視頻捕捉學(xué)習(xí)舞蹈，并利用軌跡優(yōu)化提升動(dòng)作流暢度。為了保證舞蹈穩(wěn)定性，H1 采用力矩補(bǔ)償算法、零力矩點(diǎn)控制、欠驅(qū)動(dòng)收斂算法等策略，平衡大幅度動(dòng)作并降低能耗。
此外，在手絹舞中，H1 通過旋轉(zhuǎn)同步結(jié)構(gòu)與隱形釋放機(jī)制精確復(fù)現(xiàn)演員揮舞動(dòng)作，并結(jié)合步態(tài)預(yù)測(cè)與震感降噪系統(tǒng)，確保動(dòng)作自然、安靜流暢。多臺(tái)機(jī)器人則依靠集群控制（Swarm Control）和優(yōu)化算法協(xié)同表演，實(shí)現(xiàn)高效避障與舞臺(tái)適應(yīng)性，展現(xiàn)完美群舞效果。
然而，若讓這臺(tái)機(jī)器人下臺(tái)完成如端水、穿衣等日常任務(wù)，它可能立刻陷入困境。
比如春晚后臺(tái)，當(dāng)魔術(shù)師劉謙遇到機(jī)器人G1（后面會(huì)講到）準(zhǔn)備“握”一個(gè)時(shí)，G1竟上演了“臥”一個(gè)，可謂是用魔法打敗了魔法，向我們展示了魔法界的行禮方式……
那么，當(dāng)前的人形機(jī)器人距離《鋼鐵俠》中的高階智能體究竟還有多遠(yuǎn)？目前全球的機(jī)器人技術(shù)到底發(fā)展到什么程度了？中國的研究處于什么水平？當(dāng)走進(jìn)H1的老家（官網(wǎng)介紹），我們會(huì)更直觀地感受到這位一歲半的180 cm機(jī)器小孩進(jìn)化之迅猛。
在目前的版本中，H1移動(dòng)速度高達(dá)3.3米/秒，打破全尺寸人形最高移動(dòng)速度；采用UNITREE M107關(guān)節(jié)電機(jī)可實(shí)現(xiàn)膝關(guān)節(jié)最大扭矩360Nm；配備的LIVOX-MID360款3D激光雷達(dá)和Intel RealSense D435i款深度相機(jī)使得H1能360°無死角感知周圍環(huán)境。看到“天賦異稟”的人形機(jī)器人努力融入中國傳統(tǒng)文化的這一刻，小編對(duì)機(jī)器統(tǒng)治人類的擔(dān)憂好像也在逐漸消散（很期待H1長大后給俺養(yǎng)老呢！）。
看著不穿褲子扭秧歌的H1如此可愛
，在這里show一下宇樹官網(wǎng)發(fā)布的H1的成長記錄小彩蛋~（注意提前調(diào)節(jié)音量噢）H1被“虐”↓↓↓
H1點(diǎn)亮卡點(diǎn)跳舞技能↓↓↓
H1超級(jí)技能之原地后空翻↓↓↓
解構(gòu)機(jī)器人
HAPPY 2025 NEW YEAR
機(jī)器人發(fā)展如此之快，我們?nèi)祟惛蟃A們進(jìn)化的步伐，認(rèn)識(shí)機(jī)器人，理解機(jī)器人，成為機(jī)器人，超越機(jī)器人。為了真正了解一個(gè)機(jī)器人的運(yùn)作，我們現(xiàn)在一步步解構(gòu)它的功能。人形機(jī)器人能夠執(zhí)行復(fù)雜任務(wù)的關(guān)鍵在于其運(yùn)動(dòng)（locomotion）、感知（perception）、認(rèn)知（cognition）和導(dǎo)航（navigation）四個(gè)核心過程。這些要素相互作用，使機(jī)器人能夠感知環(huán)境、決策并采取行動(dòng)。
困難01.
如何讓機(jī)器人穩(wěn)定行走
HAPPY NEW YEAR
機(jī)器人運(yùn)動(dòng)系統(tǒng)的核心目標(biāo)是保持平衡、控制步態(tài)并優(yōu)化能量效率。人形機(jī)器人通常采用零力矩點(diǎn)（Zero Moment Point, ZMP）控制，以確保行走時(shí)的穩(wěn)定性。
零力矩點(diǎn)控制指在機(jī)器人行走過程中，如果接觸點(diǎn)的合力作用點(diǎn)位于支撐面內(nèi)，則機(jī)器人能夠保持穩(wěn)定。在步態(tài)控制時(shí)，機(jī)器人需要同時(shí)具有靜態(tài)穩(wěn)定和動(dòng)態(tài)穩(wěn)定的能力。多足機(jī)器人相比傳統(tǒng)的輪式機(jī)器人擁有更多的關(guān)節(jié)自由度，需要更復(fù)雜的控制，否則極容易因重心偏移而摔倒。
尤其是兩足機(jī)器人，由于極易產(chǎn)生前后方向的傾覆力矩導(dǎo)致前傾或后仰，因此春晚上H1機(jī)器人在下臺(tái)時(shí)被后面掐著脖子以抵抗傾覆力矩。
逆運(yùn)動(dòng)學(xué)（Inverse Kinematics，IK）：如何計(jì)算運(yùn)動(dòng)時(shí)的關(guān)節(jié)角度逆運(yùn)動(dòng)學(xué)是解決機(jī)器人如何從一個(gè)姿態(tài)到達(dá)目標(biāo)位置的數(shù)學(xué)方法，它根據(jù)執(zhí)行器末端的位置和方向反推關(guān)節(jié)角度和運(yùn)動(dòng)姿態(tài)：
從低維的任務(wù)空間到高維的 執(zhí)行器空間的坐標(biāo)變換的解往往具有不穩(wěn)定性和不唯一性。對(duì)于人形機(jī)器人來說，計(jì)算其各關(guān)節(jié)運(yùn)動(dòng)尤為關(guān)鍵。例如，當(dāng)機(jī)器人需要抬起一只腳邁步時(shí)，IK算法需要計(jì)算：膝關(guān)節(jié)、髖關(guān)節(jié)等多個(gè)自由度的角度變化；
確保機(jī)器人在單腳支撐期間保持重心穩(wěn)定；
計(jì)算最優(yōu)軌跡，使其既節(jié)能又平穩(wěn)。
步態(tài)生成
SPRING
FESTIVAL
機(jī)器人步態(tài)可以通過兩種方式生成：基于模式的步態(tài)：在已知環(huán)境中，利用零力矩點(diǎn)方法和逆動(dòng)力學(xué)的計(jì)算設(shè)定行走方式，如ASIMO機(jī)器人采用的有限狀態(tài)機(jī)（Finite State Machine, FSM）。
在線優(yōu)化步態(tài)：利用強(qiáng)化學(xué)習(xí)或優(yōu)化算法，如Proximal Policy optimization (PPO), Soft-Actor Critic (SAC), and Evolutionary Strategies (ES)等，使機(jī)器人能夠適應(yīng)復(fù)雜地形，如Digit機(jī)器人在物流環(huán)境中的動(dòng)態(tài)調(diào)整。
困難02.
如何讓機(jī)器人看見世界
HAPPY NEW YEAR
機(jī)器人傳感器系統(tǒng)是機(jī)器人獲取外部環(huán)境信息、執(zhí)行自主任務(wù)的關(guān)鍵組件。根據(jù)其功能，機(jī)器人傳感器可分為觸覺與力覺傳感器、運(yùn)動(dòng)與位置傳感器、距離與環(huán)境感知傳感器、視覺傳感器等多個(gè)類別。
觸覺與力覺傳感器
SPRING
FESTIVAL
觸覺傳感器）：可用于檢測(cè)物體的存在、接觸壓力，甚至溫度變化。例如，在機(jī)器人手爪中，觸覺傳感器能測(cè)量抓取物體時(shí)的受力，防止物體滑落或被損壞。力/力矩傳感器：用于測(cè)量機(jī)器人施加的力矩，以實(shí)現(xiàn)精確控制。例如，協(xié)作機(jī)器人（Cobot）通過力矩傳感器感知人與機(jī)器人的交互力，實(shí)現(xiàn)安全作業(yè)。
運(yùn)動(dòng)與位置傳感器
SPRING
FESTIVAL
編碼器：測(cè)量關(guān)節(jié)或輪子的旋轉(zhuǎn)角度和速度，保證運(yùn)動(dòng)精度。主要包括光學(xué)編碼器、電磁編碼器、電容編碼器等。加速度計(jì)（Accelerometers）：測(cè)量機(jī)器人在不同軸向上的加速度，并通過積分計(jì)算速度。陀螺儀（Gyroscopes）：測(cè)量角速度和方位角，為姿態(tài)控制提供數(shù)據(jù)。
環(huán)境感知傳感器
SPRING
FESTIVAL
紅外傳感器基于紅外光反射原理，用于短距離測(cè)量，但易受環(huán)境光影響。超聲波傳感器通過發(fā)射高頻聲波，并測(cè)量回波時(shí)間來計(jì)算距離，常用于避障和測(cè)距，例如掃地機(jī)器人使用超聲波傳感器檢測(cè)墻壁。主動(dòng)信標(biāo)（Active Beacons）可用于機(jī)器人導(dǎo)航，包括三邊測(cè)量法（trilateration）和三角測(cè)量法（triangulation），實(shí)現(xiàn)高精度定位。激光測(cè)距儀（Laser Range Finder, LRF）使用激光束測(cè)量目標(biāo)物體的精確距離。例如，自動(dòng)駕駛汽車使用激光雷達(dá)（LiDAR）進(jìn)行環(huán)境建模和目標(biāo)檢測(cè)。
視覺與深度傳感器
SPRING
FESTIVAL
基于視覺的傳感器：包括CCD（電荷耦合器件）和 CMOS（互補(bǔ)金屬氧化物半導(dǎo)體）攝像頭，常用于計(jì)算機(jī)視覺任務(wù)，如物體檢測(cè)、人臉識(shí)別。顏色跟蹤傳感器用于檢測(cè)和跟蹤特定顏色的目標(biāo)，應(yīng)用于工業(yè)檢測(cè)、機(jī)器人競技等場(chǎng)景。深度傳感器結(jié)合紅外投影儀和 IR 攝像頭可用來獲取 3D 深度信息。例如，微軟 Kinect 傳感器利用結(jié)構(gòu)光技術(shù)生成三維點(diǎn)云數(shù)據(jù)。
此外，火星探測(cè)器等自主機(jī)器人常使用被動(dòng)立體視覺（Passive Stereo Vision）創(chuàng)建本地地形地圖，以便進(jìn)行自主導(dǎo)航。與 LiDAR 等主動(dòng)傳感器相比，立體視覺能耗更低，適合遠(yuǎn)程任務(wù)。
困難03.
如何讓機(jī)器人思考
HAPPY NEW YEAR
在人形機(jī)器人領(lǐng)域中，“思考”是機(jī)器人決策系統(tǒng)的核心，它決定了機(jī)器人的行為和策略。機(jī)器人通過感知數(shù)據(jù)（如視覺傳感器的數(shù)據(jù)、環(huán)境傳感器的數(shù)據(jù)）構(gòu)建完整的環(huán)境地圖，并計(jì)算出最優(yōu)的路徑以及動(dòng)作規(guī)劃。
認(rèn)知模型的實(shí)現(xiàn)：通過計(jì)算機(jī)視覺識(shí)別物體、檢測(cè)邊緣并進(jìn)行模式識(shí)別，構(gòu)建環(huán)境地圖。
結(jié)合SLAM技術(shù)實(shí)現(xiàn)實(shí)時(shí)定位與更新地圖。
使用復(fù)雜的人工智能算法（如深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等）來優(yōu)化機(jī)器人的位置和運(yùn)動(dòng)軌跡，確保精準(zhǔn)執(zhí)行。
機(jī)器人非線性控制策略
SPRING
FESTIVAL
在人形機(jī)器人中，系統(tǒng)具有非線性動(dòng)力學(xué)特性。這種特性使得傳統(tǒng)的線性控制方法無法有效發(fā)揮作用。當(dāng)前科技界主要通過以下策略實(shí)現(xiàn)：
全局線性化控制
使用數(shù)學(xué)變換將非線性系統(tǒng)映射到等效的線性狀態(tài)空間。通過微分平坦系統(tǒng)（Differentially Flat Systems）、李代數(shù)和微分同胚進(jìn)行狀態(tài)估計(jì)和反饋控制，確保系統(tǒng)的穩(wěn)定性。
局部線性化控制
在機(jī)器人局部平衡點(diǎn)附近建立線性近似模型。利用這些模型來提高系統(tǒng)對(duì)外部擾動(dòng)的穩(wěn)健性，并支持從靜止到行走等狀態(tài)之間的切換，確保平穩(wěn)過渡。
李雅普諾夫穩(wěn)定性控制
使用李雅普諾夫函數(shù)來分析和保證系統(tǒng)的漸近穩(wěn)定。在人形機(jī)器人行走時(shí)，這種分析方法可以幫助確保步態(tài)不會(huì)因外部沖擊而失穩(wěn)。
困難04.
如何教機(jī)器人“認(rèn)路”
HAPPY NEW YEAR
機(jī)器人如何像人類一樣“認(rèn)路”？這背后的核心技術(shù)，就是導(dǎo)航（Navigation）。不久前的一期線上科學(xué)日已針對(duì)鴿子歸巢（可點(diǎn)擊跳轉(zhuǎn)）的識(shí)路導(dǎo)航系統(tǒng)進(jìn)行了較為細(xì)致的討論。想象一下，你的掃地機(jī)器人如何避開桌椅，在房間里找到最優(yōu)清掃路線？又或者，自動(dòng)駕駛汽車如何在復(fù)雜道路環(huán)境中做出迅速?zèng)Q策？這背后依賴的是路徑規(guī)劃。
幾十年來，科學(xué)家們不斷改進(jìn)路徑規(guī)劃算法，使機(jī)器人在復(fù)雜環(huán)境中也能自主決策、流暢行動(dòng)。
從經(jīng)典到智能進(jìn)化：路徑規(guī)劃的發(fā)展
SPRING
FESTIVAL
最早的路徑規(guī)劃研究始于20 世紀(jì) 60 年代，當(dāng)時(shí)科學(xué)家們?cè)噲D在大規(guī)�？臻g中找到最短路徑。最初的方法主要是經(jīng)典算法，如Dijkstra 算法和A* 算法，這些基于圖搜索的技術(shù)保證了最優(yōu)解，但計(jì)算復(fù)雜度較高。隨后，研究人員提出了人工勢(shì)場(chǎng)法（APF），讓機(jī)器人通過“吸引力”和“斥力”計(jì)算路徑，但容易陷入“局部最小值”而卡住。為了克服這些問題，概率方法（Probabilistic Methods）在1990 年代崛起。代表性算法是概率路圖（PRM）和快速探索隨機(jī)樹（RRT），它們通過隨機(jī)采樣構(gòu)建路徑網(wǎng)絡(luò)，極大提高了計(jì)算效率，使機(jī)器人能在復(fù)雜、動(dòng)態(tài)環(huán)境中自由探索。到了2000 年代，研究人員又引入了啟發(fā)式搜索（Heuristic Planners），如貪心算法（Greedy Search）和D* 算法，進(jìn)一步提升了路徑規(guī)劃的實(shí)時(shí)性，特別適用于無人機(jī)、行星探測(cè)車等需要快速?zèng)Q策的系統(tǒng)。
機(jī)器人如何像生物一樣學(xué)習(xí)路徑？
SPRING
FESTIVAL
進(jìn)入 21 世紀(jì)，研究者受自然界啟發(fā)，發(fā)展出進(jìn)化算法（Evolutionary Algorithms），讓機(jī)器人像生物一樣“進(jìn)化”路徑規(guī)劃策略。遺傳算法（Genetic Algorithms, GA）：模擬生物基因突變與優(yōu)勝劣汰的過程，不斷優(yōu)化路徑選擇。
粒子群優(yōu)化（Particle Swarm Optimization, PSO）：靈感來源于鳥群覓食，機(jī)器人在“搜索空間”中協(xié)同尋找最優(yōu)路徑。
蟻群優(yōu)化（Ant Colony Optimization, ACO）：模擬螞蟻覓食行為，利用“信息素”找到高效路徑，適用于動(dòng)態(tài)環(huán)境中的路徑規(guī)劃。
模擬退火（Simulated Annealing, SA）：借鑒金屬退火過程，通過隨機(jī)搜索避免陷入局部最優(yōu)解，提高路徑質(zhì)量。
未來的路徑規(guī)劃：更快、更智能、更節(jié)能
SPRING
FESTIVAL
今天，路徑規(guī)劃不再僅僅關(guān)注“最短路徑”，而是開始優(yōu)化時(shí)間、能耗、平穩(wěn)性等參數(shù)。例如，現(xiàn)代自動(dòng)駕駛技術(shù)會(huì)綜合考慮轉(zhuǎn)彎平滑度、加速度限制、避障策略，確保行車安全與舒適性。未來，強(qiáng)化學(xué)習(xí)（Reinforcement Learning, RL）正成為路徑規(guī)劃的新趨勢(shì)。機(jī)器人將不再依賴預(yù)設(shè)規(guī)則，而是通過自主試錯(cuò)和環(huán)境反饋，不斷優(yōu)化決策策略，使導(dǎo)航更加靈活、高效。
強(qiáng)化學(xué)習(xí)人形機(jī)器人的外掛
HAPPY 2025 NEW YEAR
1. 強(qiáng)化學(xué)習(xí)的本質(zhì)：機(jī)器人如何像人一樣學(xué)習(xí)？強(qiáng)化學(xué)習(xí)的核心目標(biāo)是：讓智能體（Agent）在與環(huán)境交互的過程中，通過試錯(cuò)逐步學(xué)習(xí)到最優(yōu)策略（Policy），以最大化長期回報(bào)（Reward）。我們可以把這個(gè)過程類比為實(shí)驗(yàn)室里的自旋系統(tǒng)尋找最低能態(tài)
：機(jī)器人面臨一個(gè)復(fù)雜環(huán)境（相當(dāng)于自旋系統(tǒng)的能量勢(shì)壘）它通過不同的動(dòng)作（類似于自旋翻轉(zhuǎn)）嘗試改變狀態(tài)（State）環(huán)境給它獎(jiǎng)勵(lì)（Reward）指引它走向“低能態(tài)”即最優(yōu)行為策略。
上圖機(jī)器人強(qiáng)化學(xué)習(xí)的學(xué)習(xí)路徑，其核心可概括為這一閉環(huán)描述：狀態(tài) -> 動(dòng)作 -> 獎(jiǎng)勵(lì) -> 策略更新。通過這一循環(huán)，機(jī)器人逐步優(yōu)化其行為策略，實(shí)現(xiàn)目標(biāo)任務(wù)。例如，在機(jī)器人操作中，強(qiáng)化學(xué)習(xí)通過值函數(shù)和策略不斷優(yōu)化動(dòng)作規(guī)劃，指導(dǎo)機(jī)器人在復(fù)雜環(huán)境中完成任務(wù)。
相比于監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)則是在沒有標(biāo)簽的情況下，通過探索數(shù)據(jù)的特性來學(xué)習(xí)。它并不會(huì)直接判斷某個(gè)狀態(tài)或動(dòng)作是好是壞，而是通過獎(jiǎng)勵(lì)信號(hào)進(jìn)行評(píng)價(jià)。機(jī)器人的行為會(huì)影響后續(xù)數(shù)據(jù)的發(fā)展，因此強(qiáng)化學(xué)習(xí)的反饋是延遲的，數(shù)據(jù)是序列化的，并且數(shù)據(jù)與數(shù)據(jù)之間存在相關(guān)性。
2. 為什么人形機(jī)器人需要強(qiáng)化學(xué)習(xí)？人形機(jī)器人比普通輪式機(jī)器人復(fù)雜得多，物理上，人形機(jī)器人有幾十個(gè)自由度（DOF），狀態(tài)空間遠(yuǎn)大于普通機(jī)械臂。傳統(tǒng)控制方法（如PID、優(yōu)化控制）難以在不確定環(huán)境下實(shí)現(xiàn)高效控制。RL 提供了一種端到端學(xué)習(xí)的方法，允許機(jī)器人通過模擬或真實(shí)環(huán)境交互，自主學(xué)習(xí)如何行走、站立、跳躍，甚至模仿人類動(dòng)作。 類比：當(dāng)小編在實(shí)驗(yàn)室中嘗試優(yōu)化 PLD 工藝時(shí)，可能不會(huì)直接知道最優(yōu)參數(shù)，而是需要不斷實(shí)驗(yàn)，調(diào)整沉積溫度、氣壓等。RL 也是如此，讓機(jī)器人在“實(shí)驗(yàn)”中找到最優(yōu)策略。3. 人形機(jī)器人中的強(qiáng)化學(xué)習(xí)方法
機(jī)器人領(lǐng)域強(qiáng)化學(xué)習(xí)研究的范式
價(jià)值函數(shù)方法（Value-Based RL）
SPRING
FESTIVAL
核心思想是學(xué)習(xí)一個(gè)價(jià)值函數(shù)（Q值）來評(píng)估不同動(dòng)作的好壞，然后機(jī)器人選擇價(jià)值最高的動(dòng)作執(zhí)行。例如：Q-learning、深度 Q 網(wǎng)絡(luò)（DQN）。 應(yīng)用：最初的RL 機(jī)器人控制主要依賴 Q-learning，例如機(jī)器人學(xué)會(huì)在二維空間避障。但對(duì)于高維人形機(jī)器人，這種方法不夠高效。
策略梯度方法（Policy-Based RL）
SPRING
FESTIVAL
不同于 Q-learning直接估算價(jià)值，這類方法直接優(yōu)化策略函數(shù)，更適合高維連續(xù)動(dòng)作問題：深度確定性策略梯度（DDPG）：用于機(jī)器人抓取物體等任務(wù)。
信賴域策略優(yōu)化（TRPO）：適用于復(fù)雜運(yùn)動(dòng)，如機(jī)器人踢足球。
近端策略優(yōu)化（PPO）：用于高效的訓(xùn)練，比如 OpenAI 訓(xùn)練的五指機(jī)械手。
應(yīng)用：Boston Dynamics 訓(xùn)練 Atlas 機(jī)器人跑酷時(shí)使用了 PPO。
模型學(xué)習(xí)方法（Model-Based RL）
SPRING
FESTIVAL
這類方法嘗試讓機(jī)器人先學(xué)習(xí)世界的物理規(guī)律（建模），然后在模型中規(guī)劃最優(yōu)策略，類似于小編在實(shí)驗(yàn)前先建立理論模型：物理仿真環(huán)境（MuJoCo、PyBullet）+ RL 訓(xùn)練。在機(jī)器人學(xué)會(huì)在仿真中行走后，再轉(zhuǎn)移到真實(shí)環(huán)境（Sim-to-Real）。 應(yīng)用：Google DeepMind 用 Model-Based RL 訓(xùn)練四足機(jī)器人適應(yīng)各種地形。Tesla 的人形機(jī)器人 Optimus 在仿真環(huán)境中學(xué)習(xí)步行和抓取。4.未來方向元強(qiáng)化學(xué)習(xí)（Meta-RL）：讓機(jī)器人像人一樣，學(xué)習(xí)如何學(xué)習(xí)，提高適應(yīng)性。
逆強(qiáng)化學(xué)習(xí)（IRL）：從人類演示中推導(dǎo)獎(jiǎng)勵(lì)函數(shù)，減少手工設(shè)計(jì)的工作。
自監(jiān)督 RL：減少對(duì)外部獎(jiǎng)勵(lì)信號(hào)的依賴，讓機(jī)器人自主探索世界。
全球人形機(jī)器人爭霸：誰才是未來智能革命的領(lǐng)跑者？
HAPPY 2025 NEW YEAR
隨著國產(chǎn)人形機(jī)器人不斷突破極限，我們不妨看看國際舞臺(tái)上還有哪些強(qiáng)勁的競爭者。特斯拉、波士頓動(dòng)力、Agility Robotics、Unitree等科技巨頭，正在推動(dòng)人形機(jī)器人從實(shí)驗(yàn)室走向現(xiàn)實(shí)，賦予它們更強(qiáng)的感知、學(xué)習(xí)和執(zhí)行能力。那么，這些機(jī)器人各自擅長什么領(lǐng)域？
特斯拉 Optimus：工業(yè)化未來的多面手
SPRING
FESTIVAL
作為電動(dòng)車和自動(dòng)駕駛領(lǐng)域的佼佼者，特斯拉推出的 Optimus 機(jī)器人，也繼承了其 AI 先發(fā)優(yōu)勢(shì)。Optimus 搭載了類似自動(dòng)駕駛系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，能實(shí)時(shí)感知環(huán)境、識(shí)別物體，并自主執(zhí)行任務(wù)，如抓取、搬運(yùn)、精細(xì)操作等。其高分辨率攝像頭與分布在手部和足的先進(jìn)觸覺與力覺傳感器，讓它能像人類一樣感知物品的重量和形狀。此外，強(qiáng)大的動(dòng)力控制系統(tǒng)，使其具備流暢的運(yùn)動(dòng)能力，成為未來工業(yè)制造與家庭服務(wù)的潛在變革者。
波士頓動(dòng)力 Atlas：機(jī)器人界的“運(yùn)動(dòng)健將”
SPRING
FESTIVAL
如果說 Optimus 代表的是工業(yè)應(yīng)用的未來，那么波士頓動(dòng)力的 Atlas 則是機(jī)器人界的“體能怪獸”。它憑借卓越的動(dòng)態(tài)控制系統(tǒng)，可以在崎嶇不平的地形上穩(wěn)健行走，甚至完成跳躍、空翻、翻越障礙物等高難度動(dòng)作。這得益于激光雷達(dá)（LiDAR）+ 深度攝像頭組成的實(shí)時(shí)環(huán)境感知系統(tǒng)，使其能夠在復(fù)雜環(huán)境中迅速調(diào)整動(dòng)作，展現(xiàn)出驚人的機(jī)動(dòng)性。Atlas 已被廣泛用于軍事、救援等高風(fēng)險(xiǎn)領(lǐng)域，未來或?qū)⒃诟喔邉?dòng)態(tài)任務(wù)中大放異彩。
Agility Robotics Digit：物流與倉儲(chǔ)的可靠伙伴
SPRING
FESTIVAL
與 Atlas 的高動(dòng)態(tài)不同，Digit 機(jī)器人更專注于穩(wěn)定行走和物流任務(wù)。它采用了特殊的末端執(zhí)行器（即機(jī)械手），能夠精準(zhǔn)拾取、搬運(yùn)和放置貨物，適用于倉儲(chǔ)、物流和供應(yīng)鏈管理。Digit 具備強(qiáng)大的平衡控制技術(shù)，即使在樓梯、狹窄通道或復(fù)雜光照條件下，也能流暢執(zhí)行任務(wù)。值得一提的是，它的LED“眼睛” 不僅提升了人機(jī)交互體驗(yàn)，還能通過光信號(hào)向人類員工傳達(dá)行動(dòng)意圖，提高協(xié)作效率。
Unitree G1：從四足機(jī)器人到人形機(jī)器人的突破
SPRING
FESTIVAL
在國產(chǎn)機(jī)器人中，Unitree G1 是近年來最具潛力的選手之一。相比 H1 的工業(yè)風(fēng)設(shè)計(jì)，G1 造型更具流暢美感，并且在跳躍、棍術(shù)操控
等方面表現(xiàn)突出。
它結(jié)合了模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)技術(shù)，使其能夠不斷進(jìn)化，并適應(yīng)更復(fù)雜的任務(wù)需求。憑借深度攝像頭 + 3D 激光雷達(dá)（LiDAR），G1 能夠進(jìn)行 360 度全方位環(huán)境感知，在動(dòng)態(tài)環(huán)境中實(shí)現(xiàn)精準(zhǔn)決策與精細(xì)操作，甚至能夠輕柔地拾取易碎品，展現(xiàn)強(qiáng)大的任務(wù)適應(yīng)能力。除了上述明星機(jī)器人，還有一些領(lǐng)域的強(qiáng)者值得關(guān)注：
Engineered Arts AMECA：憑借極具擬人化的表情，在人機(jī)交互和娛樂領(lǐng)域表現(xiàn)出色，但目前仍缺乏行走能力。
Figure AI Figure 02：專注于倉儲(chǔ)和物流，具備增強(qiáng)的環(huán)境感知能力，致力于提升自動(dòng)化作業(yè)水平。
KIT ARMAR-6：由卡爾斯魯厄理工學(xué)院（KIT） 研發(fā)，專為工業(yè)環(huán)境設(shè)計(jì)，擅長自主操作和協(xié)同作業(yè)。
Astribot S1：家庭友好型機(jī)器人，具備快速學(xué)習(xí)能力，或?qū)⒊蔀槲磥砑覄?wù)機(jī)器人市場(chǎng)的重要玩家。
從春晚舞臺(tái)到現(xiàn)實(shí)應(yīng)用，人形機(jī)器人還需要哪些技術(shù)突破？要實(shí)現(xiàn)科幻作品中的“鋼鐵俠”級(jí)別能力，我們的人形機(jī)器人依然任重而道遠(yuǎn)，仍需在以下核心技術(shù)領(lǐng)域取得突破：高效動(dòng)力系統(tǒng)：目前的電機(jī)和液壓驅(qū)動(dòng)難以兼顧力量與靈活性。未來可能采用人工肌肉材料（如電活性聚合物或形狀記憶合金），以降低能耗并提升仿生能力。
高級(jí)環(huán)境感知與智能控制：現(xiàn)有機(jī)器人多依賴預(yù)設(shè)規(guī)則，難以適應(yīng)復(fù)雜環(huán)境變化。結(jié)合深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)，使機(jī)器人能自主調(diào)整步態(tài)并適應(yīng)多變環(huán)境。
優(yōu)化能源系統(tǒng)：現(xiàn)有電池技術(shù)難以支撐長時(shí)間高功耗運(yùn)動(dòng)。未來或可借助高能量密度電池、小型燃料電池或高效無線充電技術(shù)，提高續(xù)航能力。
參考文獻(xiàn)：
Zhang T, Mo H. Reinforcement learning for robot research: A comprehensive review and open issues[J]. International Journal of Advanced Robotic Systems, 2021, 18(3): 17298814211007305.
Rubio F, Valero F, Llopis-Albert C. A review of mobile robots: Concepts, methods, theoretical framework, and applications[J]. International Journal of Advanced Robotic Systems, 2019, 16(2): 1729881419839596.
Chethana S, Charan S S, Srihitha V, et al. Humanoid Robot Gait Control Using PPO, SAC, and ES Algorithms[C]//2023 4th IEEE Global Conference for Advancement in Technology (GCAT). IEEE, 2023: 1-7.
宇樹科技官網(wǎng)：https://www.unitree.com/cn/h1
Kajita S, Benallegue M, Cisneros R, et al. Biped walking pattern generation based on spatially quantized dynamics[C]//2017 IEEE-RAS 17th International Conference on Humanoid Robotics (Humanoids). IEEE, 2017: 599-605.
Hirai K, Hirose M, Haikawa Y, et al. The development of Honda humanoid robot[C]//Proceedings. 1998 IEEE international conference on robotics and automation (Cat. No. 98CH36146). IEEE, 1998, 2: 1321-1326.
D'Souza A, Vijayakumar S, Schaal S. Learning inverse kinematics[C]//Proceedings 2001 IEEE/RSJ International Conference on Intelligent Robots and Systems. Expanding the Societal Role of Robotics in the the Next Millennium (Cat. No. 01CH37180). IEEE, 2001, 1: 298-303.
https://interestingengineering.com/entertainment/top-humanoid-robots-list
https://xpert.digital/en/robot-comparison/
向下滑動(dòng)查看所有來源
春晚機(jī)器人雖酷，離“鋼鐵俠”仍有距離
當(dāng)前的發(fā)展速度表明，或許在未來 10-20 年內(nèi)，我們將迎來更智能、更強(qiáng)大的機(jī)器人進(jìn)入日常生活。
你認(rèn)為人形機(jī)器人會(huì)在何時(shí)真正融入我們的世界呢？
編輯：Meyare
