機器人都開始扭秧歌了，鋼鐵俠還會遠嗎？_風聞

2025 年春晚，宇樹科技的Unitree H1 機器人“福兮”身穿花襖，帶領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，更是機器人技術發展的生動展示。那麼，這些機器人是如何做到如此流暢的舞蹈動作的呢？

“福兮”們憑藉高自由度關節設計與高扭矩電機，實現類似人類的精準運動控制，確保穩定步態。

在羣舞表演中，它結合3D 激光雷達（LiDAR）與計算機視覺，即時感知環境與演員位置，精準同步隊形與動作。

其核心技術包括強化學習（Reinforcement Learning, RL），使機器人通過視頻捕捉學習舞蹈，並利用軌跡優化提升動作流暢度。為了保證舞蹈穩定性，H1 採用力矩補償算法、零力矩點控制、欠驅動收斂算法等策略，平衡大幅度動作並降低能耗。

此外，在手絹舞中，H1 通過旋轉同步結構與隱形釋放機制精確復現演員揮舞動作，並結合步態預測與震感降噪系統，確保動作自然、安靜流暢。多台機器人則依靠集羣控制（Swarm Control）和優化算法協同表演，實現高效避障與舞台適應性，展現完美羣舞效果。

然而，若讓這台機器人下台完成如端水、穿衣等日常任務，它可能立刻陷入困境。

比如春晚後台，當魔術師劉謙遇到機器人G1（後面會講到）準備“握”一個時，G1竟上演了“卧”一個，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……

那麼，當前的人形機器人距離《鋼鐵俠》中的高階智能體究竟還有多遠？目前全球的機器人技術到底發展到什麼程度了？中國的研究處於什麼水平？

當走進H1的老家（官網介紹），我們會更直觀地感受到這位一歲半的180 cm機器小孩進化之迅猛。

在目前的版本中，H1移動速度高達3.3米/秒，打破全尺寸人形最高移動速度；採用UNITREE M107關節電機可實現膝關節最大扭矩360N·m；配備的LIVOX-MID360款3D激光雷達和Intel RealSense D435i款深度相機使得H1能360°無死角感知周圍環境。

看到“天賦異稟”的人形機器人努力融入中國傳統文化的這一刻，小編對機器統治人類的擔憂好像也在逐漸消散（很期待H1長大後給俺養老呢！）。

看着不穿褲子扭秧歌的H1如此可愛，在這裏show一下宇樹官網發佈的H1的成長記錄小彩蛋~（注意提前調節音量噢）

解構機器人

HAPPY 2025 NEW YEAR

機器人發展如此之快，我們人類更要跟上TA們進化的步伐，認識機器人，理解機器人，成為機器人，超越機器人。為了真正瞭解一個機器人的運作，我們現在一步步解構它的功能。

人形機器人能夠執行復雜任務的關鍵在於其運動（locomotion）、感知（perception）、認知（cognition）和導航（navigation）四個核心過程。這些要素相互作用，使機器人能夠感知環境、決策並採取行動。

困難01.

如何讓機器人穩定行走

HAPPY NEW YEAR

機器人運動系統的核心目標是保持平衡、控制步態並優化能量效率。人形機器人通常採用零力矩點（Zero Moment Point, ZMP）控制，以確保行走時的穩定性。

零力矩點控制指在機器人行走過程中，如果接觸點的合力作用點位於支撐面內，則機器人能夠保持穩定。在步態控制時，機器人需要同時具有靜態穩定和動態穩定的能力。

多足機器人相比傳統的輪式機器人擁有更多的關節自由度，需要更復雜的控制，否則極容易因重心偏移而摔倒。

尤其是兩足機器人，由於極易產生前後方向的傾覆力矩導致前傾或後仰，因此春晚上H1機器人在下台時被後面掐着脖子以抵抗傾覆力矩。

逆運動學（Inverse Kinematics，IK）：如何計算運動時的關節角度

逆運動學是解決機器人如何從一個姿態到達目標位置的數學方法，它根據執行器末端的位置和方向反推關節角度和運動姿態：

從低維的任務空間到高維的 執行器空間的座標變換的解往往具有不穩定性和不唯一性。

對於人形機器人來説，計算其各關節運動尤為關鍵。例如，當機器人需要抬起一隻腳邁步時，IK算法需要計算：

膝關節、髖關節等多個自由度的角度變化；

確保機器人在單腳支撐期間保持重心穩定；

計算最優軌跡，使其既節能又平穩。

步態生成

SPRING

FESTIVAL

機器人步態可以通過兩種方式生成：

基於模式的步態：在已知環境中，利用零力矩點方法和逆動力學的計算設定行走方式，如ASIMO機器人採用的有限狀態機（Finite         State Machine, FSM）。

在線優化步態：利用強化學習或優化算法，如Proximal Policy optimization (PPO), Soft-Actor Critic (SAC), and         Evolutionary Strategies (ES) 等，使機器人能夠適應複雜地形，如Digit機器人在物流環境中的動態調整。

困難02.

如何讓機器人看見世界

HAPPY NEW YEAR

機器人傳感器系統是機器人獲取外部環境信息、執行自主任務的關鍵組件。根據其功能，機器人傳感器可分為觸覺與力覺傳感器、運動與位置傳感器、距離與環境感知傳感器、視覺傳感器等多個類別。

觸覺與力覺傳感器

SPRING

FESTIVAL

觸覺傳感器）：可用於檢測物體的存在、接觸壓力，甚至温度變化。例如，在機器人手爪中，觸覺傳感器能測量抓取物體時的受力，防止物體滑落或被損壞。

力/力矩傳感器：用於測量機器人施加的力矩，以實現精確控制。例如，協作機器人（Cobot）通過力矩傳感器感知人與機器人的交互力，實現安全作業。

運動與位置傳感器

SPRING

FESTIVAL

編碼器：測量關節或輪子的旋轉角度和速度，保證運動精度。主要包括光學編碼器、電磁編碼器、電容編碼器等。加速度計（Accelerometers）：測量機器人在不同軸向上的加速度，並通過積分計算速度。陀螺儀（Gyroscopes）：測量角速度和方位角，為姿態控制提供數據。

環境感知傳感器

SPRING

FESTIVAL

紅外傳感器基於紅外光反射原理，用於短距離測量，但易受環境光影響。超聲波傳感器通過發射高頻聲波，並測量回波時間來計算距離，常用於避障和測距，例如掃地機器人使用超聲波傳感器檢測牆壁。主動信標（Active     Beacons）可用於機器人導航，包括三邊測量法（trilateration）和三角測量法（triangulation），實現高精度定位。激光測距儀（Laser     Range Finder, LRF）使用激光束測量目標物體的精確距離。例如，自動駕駛汽車使用激光雷達（LiDAR）進行環境建模和目標檢測。

視覺與深度傳感器

SPRING

FESTIVAL

基於視覺的傳感器：包括CCD（電荷耦合器件）和 CMOS（互補金屬氧化物半導體）攝像頭，常用於計算機視覺任務，如物體檢測、人臉識別。

顏色跟蹤傳感器用於檢測和跟蹤特定顏色的目標，應用於工業檢測、機器人競技等場景。

深度傳感器結合紅外投影儀和 IR 攝像頭可用來獲取 3D 深度信息。例如，微軟 Kinect 傳感器利用結構光技術生成三維點雲數據。

此外，火星探測器等自主機器人常使用被動立體視覺（Passive Stereo     Vision）創建本地地形地圖，以便進行自主導航。與 LiDAR 等主動傳感器相比，立體視覺能耗更低，適合遠程任務。

困難03.

如何讓機器人思考

HAPPY NEW YEAR

在人形機器人領域中，“思考”是機器人決策系統的核心，它決定了機器人的行為和策略。機器人通過感知數據（如視覺傳感器的數據、環境傳感器的數據）構建完整的環境地圖，並計算出最優的路徑以及動作規劃。

認知模型的實現：

通過計算機視覺識別物體、檢測邊緣並進行模式識別，構建環境地圖。

結合SLAM技術實現即時定位與更新地圖。

使用複雜的人工智能算法（如深度學習、神經網絡等）來優化機器人的位置和運動軌跡，確保精準執行。

機器人非線性控制策略

SPRING

FESTIVAL

在人形機器人中，系統具有非線性動力學特性。這種特性使得傳統的線性控制方法無法有效發揮作用。當前科技界主要通過以下策略實現：

全局線性化控制

使用數學變換將非線性系統映射到等效的線性狀態空間。通過微分平坦系統（Differentially Flat Systems）、李代數和微分同胚進行狀態估計和反饋控制，確保系統的穩定性。

局部線性化控制

在機器人局部平衡點附近建立線性近似模型。利用這些模型來提高系統對外部擾動的穩健性，並支持從靜止到行走等狀態之間的切換，確保平穩過渡。

李雅普諾夫穩定性控制

使用李雅普諾夫函數來分析和保證系統的漸近穩定。在人形機器人行走時，這種分析方法可以幫助確保步態不會因外部衝擊而失穩。

困難04.

如何教機器人“認路”

HAPPY NEW YEAR

機器人如何像人類一樣“認路”？這背後的核心技術，就是導航（Navigation）。不久前的一期線上科學日已針對鴿子歸巢（可點擊跳轉）的識路導航系統進行了較為細緻的討論。

想象一下，你的掃地機器人如何避開桌椅，在房間裏找到最優清掃路線？又或者，自動駕駛汽車如何在複雜道路環境中做出迅速決策？

這背後依賴的是路徑規劃。

幾十年來，科學家們不斷改進路徑規劃算法，使機器人在複雜環境中也能自主決策、流暢行動。

從經典到智能進化：路徑規劃的發展

SPRING

FESTIVAL

最早的路徑規劃研究始於20 世紀 60 年代，當時科學家們試圖在大規模空間中找到最短路徑。最初的方法主要是經典算法，如Dijkstra 算法和A* 算法，這些基於圖搜索的技術保證了最優解，但計算複雜度較高。

隨後，研究人員提出了人工勢場法（APF），讓機器人通過“吸引力”和“斥力”計算路徑，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）和快速探索隨機樹（RRT），它們通過隨機採樣構建路徑網絡，極大提高了計算效率，使機器人能在複雜、動態環境中自由探索。

到了2000 年代，研究人員又引入了啓發式搜索（Heuristic Planners），如貪心算法（Greedy Search）和D* 算法，進一步提升了路徑規劃的即時性，特別適用於無人機、行星探測車等需要快速決策的系統。

機器人如何像生物一樣學習路徑？

SPRING

FESTIVAL

進入 21 世紀，研究者受自然界啓發，發展出進化算法（Evolutionary     Algorithms），讓機器人像生物一樣“進化”路徑規劃策略。

遺傳算法（Genetic Algorithms, GA）：模擬生物基因突變與優勝劣汰的過程，不斷優化路徑選擇。

粒子羣優化（Particle Swarm Optimization, PSO）：靈感來源於鳥羣覓食，機器人在“搜索空間”中協同尋找最優路徑。

蟻羣優化（Ant Colony Optimization, ACO）：模擬螞蟻覓食行為，利用“信息素”找到高效路徑，適用於動態環境中的路徑規劃。

模擬退火（Simulated Annealing, SA）：借鑑金屬退火過程，通過隨機搜索避免陷入局部最優解，提高路徑質量。

未來的路徑規劃：更快、更智能、更節能

SPRING

FESTIVAL

今天，路徑規劃不再僅僅關注“最短路徑”，而是開始優化時間、能耗、平穩性等參數。例如，現代自動駕駛技術會綜合考慮轉彎平滑度、加速度限制、避障策略，確保行車安全與舒適性。

未來，強化學習（Reinforcement     Learning, RL）正成為路徑規劃的新趨勢。機器人將不再依賴預設規則，而是通過自主試錯和環境反饋，不斷優化決策策略，使導航更加靈活、高效。

強化學習——人形機器人的外掛

HAPPY 2025 NEW YEAR

1. 強化學習的本質：機器人如何像人一樣學習？

強化學習的核心目標是：讓智能體（Agent）在與環境交互的過程中，通過試錯逐步學習到最優策略（Policy），以最大化長期回報（Reward）。

我們可以把這個過程類比為實驗室裏的自旋系統尋找最低能態：

機器人面臨一個複雜環境（相當於自旋系統的能量勢壘）

它通過不同的動作（類似於自旋翻轉）嘗試改變狀態（State）

環境給它獎勵（Reward）

指引它走向“低能態”

——即最優行為策略。

上圖機器人強化學習的學習路徑，其核心可概括為這一閉環描述：狀態 -> 動作 -> 獎勵 -> 策略更新。通過這一循環，機器人逐步優化其行為策略，實現目標任務。例如，在機器人操作中，強化學習通過值函數和策略不斷優化動作規劃，指導機器人在複雜環境中完成任務。

相比於監督學習，強化學習則是在沒有標籤的情況下，通過探索數據的特性來學習。它並不會直接判斷某個狀態或動作是好是壞，而是通過獎勵信號進行評價。機器人的行為會影響後續數據的發展，因此強化學習的反饋是延遲的，數據是序列化的，並且數據與數據之間存在相關性。

2. 為什麼人形機器人需要強化學習？

人形機器人比普通輪式機器人複雜得多，物理上，人形機器人有幾十個自由度（DOF），狀態空間遠大於普通機械臂。

傳統控制方法（如PID、優化控制）難以在不確定環境下實現高效控制。RL 提供了一種端到端學習的方法，允許機器人通過模擬或真實環境交互，自主學習如何行走、站立、跳躍，甚至模仿人類動作。

📌 類比：當小編在實驗室中嘗試優化 PLD 工藝時，可能不會直接知道最優參數，而是需要不斷實驗，調整沉積温度、氣壓等。RL 也是如此，讓機器人在“實驗”中找到最優策略。

3. 人形機器人中的強化學習方法

機器人領域強化學習研究的範式

價值函數方法（Value-Based RL）

SPRING

FESTIVAL

核心思想是學習一個價值函數（Q值）來評估不同動作的好壞，然後機器人選擇價值最高的動作執行。例如：Q-learning、深度 Q 網絡（DQN）。

🚀 應用：最初的RL 機器人控制主要依賴 Q-learning，例如機器人學會在二維空間避障。但對於高維人形機器人，這種方法不夠高效。

策略梯度方法（Policy-Based RL）

SPRING

FESTIVAL

不同於 Q-learning直接估算價值，這類方法直接優化策略函數，更適合高維連續動作問題：

深度確定性策略梯度（DDPG）：用於機器人抓取物體等任務。

信賴域策略優化（TRPO）：適用於複雜運動，如機器人踢足球。

近端策略優化（PPO）：用於高效的訓練，比如 OpenAI 訓練的五指機械手。

🚀 應用：Boston Dynamics 訓練 Atlas 機器人跑酷時使用了 PPO。

模型學習方法（Model-Based RL）

SPRING

FESTIVAL

這類方法嘗試讓機器人先學習世界的物理規律（建模），然後在模型中規劃最優策略，類似於小編在實驗前先建立理論模型：物理仿真環境（MuJoCo、PyBullet）+ RL 訓練。在機器人學會在仿真中行走後，再轉移到真實環境（Sim-to-Real）。

🚀 應用：Google DeepMind 用 Model-Based RL 訓練四足機器人適應各種地形。Tesla 的人形機器人 Optimus 在仿真環境中學習步行和抓取。

4. 未來方向🎯****

元強化學習（Meta-RL）：讓機器人像人一樣，學習如何學習，提高適應性。 

逆強化學習（IRL）：從人類演示中推導獎勵函數，減少手工設計的工作。

自監督 RL：減少對外部獎勵信號的依賴，讓機器人自主探索世界。

全球人形機器人爭霸：誰才是未來智能革命的領跑者？

HAPPY 2025 NEW YEAR

隨着國產人形機器人不斷突破極限，我們不妨看看國際舞台上還有哪些強勁的競爭者。特斯拉、波士頓動力、Agility Robotics、Unitree等科技巨頭，正在推動人形機器人從實驗室走向現實，賦予它們更強的感知、學習和執行能力。那麼，這些機器人各自擅長什麼領域？

特斯拉 Optimus：工業化未來的多面手

SPRING

FESTIVAL

作為電動車和自動駕駛領域的佼佼者，特斯拉推出的 Optimus 機器人，也繼承了其 AI 先發優勢。Optimus 搭載了類似自動駕駛系統的神經網絡，能即時感知環境、識別物體，並自主執行任務，如抓取、搬運、精細操作等。其高分辨率攝像頭與分佈在手部和足部的先進觸覺與力覺傳感器，讓它能像人類一樣感知物品的重量和形狀。此外，強大的動力控制系統，使其具備流暢的運動能力，成為未來工業製造與家庭服務的潛在變革者。

波士頓動力 Atlas：機器人界的“運動健將”

SPRING

FESTIVAL

如果説 Optimus 代表的是工業應用的未來，那麼波士頓動力的 Atlas 則是機器人界的“體能怪獸”。它憑藉卓越的動態控制系統，可以在崎嶇不平的地形上穩健行走，甚至完成跳躍、空翻、翻越障礙物等高難度動作。這得益於激光雷達（LiDAR）+ 深度攝像頭組成的即時環境感知系統，使其能夠在複雜環境中迅速調整動作，展現出驚人的機動性。Atlas 已被廣泛用於軍事、救援等高風險領域，未來或將在更多高動態任務中大放異彩。

Agility Robotics Digit：物流與倉儲的可靠夥伴

SPRING

FESTIVAL

與 Atlas 的高動態不同，Digit 機器人更專注於穩定行走和物流任務。它採用了特殊的末端執行器（即機械手），能夠精準拾取、搬運和放置貨物，適用於倉儲、物流和供應鏈管理。Digit 具備強大的平衡控制技術，即使在樓梯、狹窄通道或複雜光照條件下，也能流暢執行任務。值得一提的是，它的LED“眼睛” 不僅提升了人機交互體驗，還能通過光信號向人類員工傳達行動意圖，提高協作效率。

Unitree G1：從四足機器人到人形機器人的突破

SPRING

FESTIVAL

在國產機器人中，Unitree G1 是近年來最具潛力的選手之一。相比 H1 的工業風設計，G1 造型更具流暢美感，並且在跳躍、棍術操控等方面表現突出。

它結合了模仿學習和強化學習技術，使其能夠不斷進化，並適應更復雜的任務需求。憑藉深度攝像頭 + 3D 激光雷達（LiDAR），G1 能夠進行 360 度全方位環境感知，在動態環境中實現精準決策與精細操作，甚至能夠輕柔地拾取易碎品，展現強大的任務適應能力。

除了上述明星機器人，還有一些領域的強者值得關注：

Engineered Arts AMECA：憑藉極具擬人化的表情，在人機交互和娛樂領域表現出色，但目前仍缺乏行走能力。

Figure AI Figure 02：專注於倉儲和物流，具備增強的環境感知能力，致力於提升自動化作業水平。

KIT ARMAR-6：由卡爾斯魯厄理工學院（KIT） 研發，專為工業環境設計，擅長自主操作和協同作業。

Astribot S1：家庭友好型機器人，具備快速學習能力，或將成為未來家務機器人市場的重要玩家。

從春晚舞台到現實應用，人形機器人還需要哪些技術突破？

要實現科幻作品中的“鋼鐵俠”級別能力，我們的人形機器人依然任重而道遠，仍需在以下核心技術領域取得突破：

高效動力系統：目前的電機和液壓驅動難以兼顧力量與靈活性。未來可能採用人工肌肉材料（如電活性聚合物或形狀記憶合金），以降低能耗並提升仿生能力。

高級環境感知與智能控制：現有機器人多依賴預設規則，難以適應複雜環境變化。結合深度學習與強化學習，使機器人能自主調整步態並適應多變環境。

優化能源系統：現有電池技術難以支撐長時間高功耗運動。未來或可藉助高能量密度電池、小型燃料電池或高效無線充電技術，提高續航能力。

參考文獻：

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：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/

春晚機器人雖酷，離“鋼鐵俠”仍有距離

當前的發展速度表明，或許在未來 10-20 年內，我們將迎來更智能、更強大的機器人進入日常生活。

你認為人形機器人會在何時真正融入我們的世界呢？