人形机器人的技术进展如何？

人形机器人技术高度集成，多角度实现对人模仿 。

从技术角度来看，人形机器人主要由“大脑”、“小脑”和“肢体”三 个部分组成。其中，“大脑”负责实现环境感知、行为控制、人机交互 等任务级能力，目前主要是基于人工智能大模型技术，同时也可通过 云边协同，提高机器人的智能水平。“小脑”负责控制人形机器人的运 动，目前主要基于人工智能、自动控制、机器人操作系统（ROS，Robot Operating System）等技术，实现复杂环境下的运动控制。“肢体”负责 实现高动态、高爆发、高精度运动，集成了人体运动力学、机械结构 设计、新材料、传感器等诸多技术，包括仿人机械臂、灵巧手、腿足 等关键结构，并通过集成传感器和长续航动力单元，实现能源-结构感知一体化。

全球方面，目前美国特斯拉、Figure AI、波士顿动力已成为国外 人形机器人整机产品第一梯队，其他 1X、Digit 等欧美产品为第二梯 队。整体上看，其产品智能化水平和综合性能较高，特斯拉和亚马逊 的产品已步入场景测试阶段。 特斯拉 Optimus 系列机器人。特斯拉公司于 2022 年 10 月正式发 布 Optimus 第一代（Gen 1），使用了与特斯拉电动车相同的 FSD 系 统，具备强大的计算机视觉处理能力。Optimus Gen 1 身高约 173 厘 米，重量约 73 公斤，采用全电驱动，具有行走、挥手和跳舞等功能。 在结构方面，Optimus Gen 1 身体具有 28 个自由度，包括 14 个旋转 自由度和 14 个线性自由度。在此基础上，其灵巧手具有 6 个主动自 由度和 5 个被动自由度。2023 年 12 月，特斯拉发布了 Optimus 第二代（Gen 2），重量减轻到 63 公斤，颈部增加了 2 个自由度，步行速 度提升了 30%，平衡感和身体控制能力得到改善，能够完成非平坦地 形下的行走，包括爬楼梯等复杂动作。精细操作方面，Optimus Gen 2 的所有手指都配备了触觉传感器，能够轻松准确地抓取和放下鸡蛋， 展示出精巧的双手操控能力。

波士顿动力 Atlas 系列机器人。波士顿动力公司于 2013 年发布 的第一代 Atlas 人形机器人由外置电驱动液压动力系统提供动力，高 183 厘米，全身 28 个液压驱动关节，能够实现碎石路面下的稳定行 走。2016 年发布的配备了机载液压动力系统的 Atlas 机器人，能够实 现雪地、山地行走，可在倒地后迅速起身，并具备双臂协同搬运重物 的能力。后续，该系列机器人完成了立定跳跃、跳高、跳转身、后空 翻、慢起手倒立、前滚翻、前空翻、原地 180°空中转体、分腿跳、360° 空中转体等一系列能力。2024 年 4 月，波士顿动力宣布液压版 Atlas 退役，并推出了纯电驱的新款 Atlas 机器人，能够完成稳定的行走、 起身和 180°头部、腰部旋转等动作。

Figure AI 公司系列人形机器人。2023 年 3 月 14 日，Figure AI 发 布的人形机器人 Figure 01，利用 OpenAI 的大型语言模型，可以与人 类进行正常的完整对话，并具备分类识别物品的能力，被认为是世界 上第一个具有商业可行性的自主型人形机器人。2024 年 8 月 6 日 Figure AI 发布的新一代产品 Figure 02，与上一代相比，Figure AI 拥 有 16 个自由度的第四代机械手，负载能力与人类水平相当，可以抓 取 25 公斤的物体，比上一代增加 5 公斤。同时，Figure 02 的机载计算和 AI 推理能力提高了 3 倍，能够完全自主地在现实世界中执行任 务。 相比之下，国内企业采用“整机集成、关键零部件自研”的路线， 快速推进整机产品迭代，产业迅速发展，产品不断涌现。目前，已发 布数十款人形机器人产品，具备较为稳定的行走、跑跳、站起等基本 功能，在技术方面已有一定积累，与国外无明显代际差异。优必选的 Walker S1 在环境感知与物品抓取方面取得了一定进展，已进入比亚 迪工厂实训，与 L4 级无人物流车、无人叉车、工业移动机器人和智 能制造管理系统协同作业。

“大脑”技术路线并行探索，具备初阶人类脑力。 1.大模型是现阶段“大脑”的最佳解决方案 目前人形机器人“大脑”技术以大模型为核心，为人形机器人提供 任务级交互、环境感知、任务规划和决策控制能力。在任务交互方面， 基于大模型的语言/视觉运行处理方式可为人形机器人提供任务级交 互入口。在环境感知方面，大模型通过对多模态信息的统一处理与灵 活转换，推动多模态感知泛化。在任务规划方面，大模型潜在的真实 世界知识学习能力、强大的思考、推理和生成能力为“大脑”的任务规 划提供基础。在决策控制方面，人形机器人基于大模型技术并优化奖 励策略，通过整合环境、运动等多样化信息，实现决策控制功能。从 功能需求角度出发，人形机器人的“大脑”大模型需要具备以下能力： 实时交互能力。人形机器人需要具备与人类实时的任务级交互能 力，快速理解人类通过语言、手势等方式给出的指令，并有效执行。当出现指令理解不清或任务执行完毕后，可以与人类进行进一步的多 轮交互。

多模态感知能力。为了在复杂环境中做出正确决策，人形机器人 需要能够通过视觉、听觉、触觉等多种感官获取信息。大模型需要整 合这些多模态感知数据，以实现对环境的全面理解。 自主可靠决策能力。人形机器人在执行任务时，需要能够理解任 务的复杂性，并将其分解为一系列可执行的子任务。这要求大模型具 备强大的语言理解能力和对物理世界的深刻理解。例如，机器人可能 需要理解“清理房间”这一任务，包括识别哪些物品需要移动，哪些需 要丢弃。 涌现和泛化能力。除了在训练数据上的表现，大模型还应具备超 出训练范围的执行能力。具体表现为人形机器人能够在未见过的新环 境中执行任务，适应新的、未知的情况。面对新挑战时，展现出创新 性的解决方案。

2.人形机器人大模型多技术路线并行探索 从技术路线上看，目前基于大模型的“大脑”技术路线正处在并行 探索阶段，并逐渐向端到端的大模型演进。现阶段主要是 4 条技术路 线，一是 LLM（大语言模型）+VFM（视觉基础模型），实现人机语 言交互、任务理解、推理和规划，目前最为成熟。主要代表是谷歌的 SayCan 模型，通过预训练技能的价值函数对齐（Grounds）大语言模 型或者通过价值函数的训练使大语言模型对用户指令进行推理分解 获得任务步骤。二是 VLM（视觉-语言模型），弥合语言与视觉理解间的差距，实现更准确的任务规划和决策。主要代表是清华大学的 CoPa 模型，利用嵌入在基础模型（比如视觉语言模型的代表 GPT-4V）中 的常识知识为开放世界机器人操控生成一系列的自由度末端执行器 姿势，生成的操控任务分为任务导向抓取和感知运动规划。三是 VLA （视觉-语言-动作模型），在 VLM 基础上增加运动控制，解决机器人 运动轨迹决策问题。主要代表是谷歌的 RT-H 模型，学习语言和运动， 并使用视觉上下文，通过利用语言-视觉-动作结合的多任务数据集学 习更强大和灵活的动作策略。四是多模态大模型，实现对物理世界环 境的全面感知，是未来的主要研究方向。主要代表是麻省理工、IBM 等共同研究的 MultiPLY 模型，将视觉、触觉、语音等 3D 环境的各类 特征作为输入，以形成场景外观的初步印象，并通过多视图关联将印 象中的输出融合到 3D，最终得到以对象为中心的场景特征。 此外，类脑智能和脑机接口等创新技术也为人形机器人“大脑”的 解决方案带来无限可能。类脑智能是人工智能技术的进一步延伸，是 通过对人脑生物结构和思维方式进行直接模拟，使智能体能够像人脑 一样精确高效处理多场景下的复杂任务，是未来有望代替大模型的新 技术路线。脑机接口是在人脑与外部设备间建立连接通路的技术，实 现人脑与外界设备的信息交换。未来有望基于脑机接口实现“大脑”的 “人+机”混合智能。

3.人形机器人“大脑”向更高级的智能化和自主化发展 当前，人形机器人“大脑”刚刚具备初阶人类脑力，仅能完成人的 部分工作，无法形成人类大脑全能力闭环。同时，其情感表现属于模拟层面，不具备情感理解能力。基于大模型的“大脑”技术发展主要受 限于数据和训练平台。数据方面，由于真实数据采集难度大，仿真数 据保真度和规模有限，较难形成“数据飞轮”效应。平台方面，“大脑” 的研究涉及数据采集、模型开发部署和仿真环境测试的整个流水线链 路，需要强大的通用计算平台提供大规模计算支撑和通用服务能力。 人形机器人作为人工智能的前沿应用领域，其发展速度令人瞩目。然 而，要实现真正的智能化和自主化，现有的大模型仍需在多个方面重 点发力。 一是在感知模态维度方面形成突破。当前的人形机器人大模型主 要依赖于视觉或语音感知，这种单一的感知模态在处理复杂环境时显 得力不从心。例如，在嘈杂的环境中，仅凭视觉信息，机器人可能难 以准确识别和响应。为了克服这一局限，未来的大模型需要整合视觉、 听觉、触觉等多种感知模态。多模态感知能够提供更丰富的环境信息， 使机器人在复杂场景中做出更准确的决策。例如，结合听觉和触觉信 息，机器人可以更好地理解人类的指令和情感状态。

二是在指令生成速度与复杂性方面形成突破。现有的大模型在生 成指令时速度较慢，且生成的结果往往过于简单。这在需要快速反应 的场景如紧急救援或复杂操作任务中，可能导致机器人无法及时作出 正确响应。目前主流机器人大模型偏向于任务理解和拆分，对于机器 人运动控制的涉及较少，只是用预设的端到端的训练方式生成了简单 且离散分布的机械臂末端位置和底盘移动指令，未渗透到连续路径和 轨迹规划等更偏机器人领域的内容。三是在泛化能力提升与模型架构优化方面形成突破。泛化能力是 大模型在新环境和新任务中表现的关键。当前的模型在泛化能力上仍 有待提高，尤其是在面对未知环境和任务时，模型的表现往往不尽人 意。为了提高泛化能力，未来的大模型需要在架构、训练方法和数据 集方面进行创新。例如，通过引入元学习、迁移学习等技术，可以使 模型更好地适应新任务。同时，构建更多样化的数据集，也有助于模 型学习到更广泛的知识。