机器人都开始扭秧歌了，钢铁侠还会远吗？_风闻

2025 年春晚，宇树科技的Unitree H1 机器人“福兮”身穿花袄，带领演员们共同完成了极具民族特色的扭秧歌表演《秧BOT》。

这不仅是一次视觉盛宴，更是机器人技术发展的生动展示。那么，这些机器人是如何做到如此流畅的舞蹈动作的呢？

“福兮”们凭借高自由度关节设计与高扭矩电机，实现类似人类的精准运动控制，确保稳定步态。

在群舞表演中，它结合3D 激光雷达（LiDAR）与计算机视觉，实时感知环境与演员位置，精准同步队形与动作。

其核心技术包括强化学习（Reinforcement Learning, RL），使机器人通过视频捕捉学习舞蹈，并利用轨迹优化提升动作流畅度。为了保证舞蹈稳定性，H1 采用力矩补偿算法、零力矩点控制、欠驱动收敛算法等策略，平衡大幅度动作并降低能耗。

此外，在手绢舞中，H1 通过旋转同步结构与隐形释放机制精确复现演员挥舞动作，并结合步态预测与震感降噪系统，确保动作自然、安静流畅。多台机器人则依靠集群控制（Swarm Control）和优化算法协同表演，实现高效避障与舞台适应性，展现完美群舞效果。

然而，若让这台机器人下台完成如端水、穿衣等日常任务，它可能立刻陷入困境。

比如春晚后台，当魔术师刘谦遇到机器人G1（后面会讲到）准备“握”一个时，G1竟上演了“卧”一个，可谓是用魔法打败了魔法，向我们展示了魔法界的行礼方式……

那么，当前的人形机器人距离《钢铁侠》中的高阶智能体究竟还有多远？目前全球的机器人技术到底发展到什么程度了？中国的研究处于什么水平？

当走进H1的老家（官网介绍），我们会更直观地感受到这位一岁半的180 cm机器小孩进化之迅猛。

在目前的版本中，H1移动速度高达3.3米/秒，打破全尺寸人形最高移动速度；采用UNITREE M107关节电机可实现膝关节最大扭矩360N·m；配备的LIVOX-MID360款3D激光雷达和Intel RealSense D435i款深度相机使得H1能360°无死角感知周围环境。

看到“天赋异禀”的人形机器人努力融入中国传统文化的这一刻，小编对机器统治人类的担忧好像也在逐渐消散（很期待H1长大后给俺养老呢！）。

看着不穿裤子扭秧歌的H1如此可爱，在这里show一下宇树官网发布的H1的成长记录小彩蛋~（注意提前调节音量噢）

解构机器人

HAPPY 2025 NEW YEAR

机器人发展如此之快，我们人类更要跟上TA们进化的步伐，认识机器人，理解机器人，成为机器人，超越机器人。为了真正了解一个机器人的运作，我们现在一步步解构它的功能。

人形机器人能够执行复杂任务的关键在于其运动（locomotion）、感知（perception）、认知（cognition）和导航（navigation）四个核心过程。这些要素相互作用，使机器人能够感知环境、决策并采取行动。

困难01.

如何让机器人稳定行走

HAPPY NEW YEAR

机器人运动系统的核心目标是保持平衡、控制步态并优化能量效率。人形机器人通常采用零力矩点（Zero Moment Point, ZMP）控制，以确保行走时的稳定性。

零力矩点控制指在机器人行走过程中，如果接触点的合力作用点位于支撑面内，则机器人能够保持稳定。在步态控制时，机器人需要同时具有静态稳定和动态稳定的能力。

多足机器人相比传统的轮式机器人拥有更多的关节自由度，需要更复杂的控制，否则极容易因重心偏移而摔倒。

尤其是两足机器人，由于极易产生前后方向的倾覆力矩导致前倾或后仰，因此春晚上H1机器人在下台时被后面掐着脖子以抵抗倾覆力矩。

逆运动学（Inverse Kinematics，IK）：如何计算运动时的关节角度

逆运动学是解决机器人如何从一个姿态到达目标位置的数学方法，它根据执行器末端的位置和方向反推关节角度和运动姿态：

从低维的任务空间到高维的 执行器空间的坐标变换的解往往具有不稳定性和不唯一性。

对于人形机器人来说，计算其各关节运动尤为关键。例如，当机器人需要抬起一只脚迈步时，IK算法需要计算：

膝关节、髋关节等多个自由度的角度变化；

确保机器人在单脚支撑期间保持重心稳定；

计算最优轨迹，使其既节能又平稳。

步态生成

SPRING

FESTIVAL

机器人步态可以通过两种方式生成：

基于模式的步态：在已知环境中，利用零力矩点方法和逆动力学的计算设定行走方式，如ASIMO机器人采用的有限状态机（Finite         State Machine, FSM）。

在线优化步态：利用强化学习或优化算法，如Proximal Policy optimization (PPO), Soft-Actor Critic (SAC), and         Evolutionary Strategies (ES) 等，使机器人能够适应复杂地形，如Digit机器人在物流环境中的动态调整。

困难02.

如何让机器人看见世界

HAPPY NEW YEAR

机器人传感器系统是机器人获取外部环境信息、执行自主任务的关键组件。根据其功能，机器人传感器可分为触觉与力觉传感器、运动与位置传感器、距离与环境感知传感器、视觉传感器等多个类别。

触觉与力觉传感器

SPRING

FESTIVAL

触觉传感器）：可用于检测物体的存在、接触压力，甚至温度变化。例如，在机器人手爪中，触觉传感器能测量抓取物体时的受力，防止物体滑落或被损坏。

力/力矩传感器：用于测量机器人施加的力矩，以实现精确控制。例如，协作机器人（Cobot）通过力矩传感器感知人与机器人的交互力，实现安全作业。

运动与位置传感器

SPRING

FESTIVAL

编码器：测量关节或轮子的旋转角度和速度，保证运动精度。主要包括光学编码器、电磁编码器、电容编码器等。加速度计（Accelerometers）：测量机器人在不同轴向上的加速度，并通过积分计算速度。陀螺仪（Gyroscopes）：测量角速度和方位角，为姿态控制提供数据。

环境感知传感器

SPRING

FESTIVAL

红外传感器基于红外光反射原理，用于短距离测量，但易受环境光影响。超声波传感器通过发射高频声波，并测量回波时间来计算距离，常用于避障和测距，例如扫地机器人使用超声波传感器检测墙壁。主动信标（Active     Beacons）可用于机器人导航，包括三边测量法（trilateration）和三角测量法（triangulation），实现高精度定位。激光测距仪（Laser     Range Finder, LRF）使用激光束测量目标物体的精确距离。例如，自动驾驶汽车使用激光雷达（LiDAR）进行环境建模和目标检测。

视觉与深度传感器

SPRING

FESTIVAL

基于视觉的传感器：包括CCD（电荷耦合器件）和 CMOS（互补金属氧化物半导体）摄像头，常用于计算机视觉任务，如物体检测、人脸识别。

颜色跟踪传感器用于检测和跟踪特定颜色的目标，应用于工业检测、机器人竞技等场景。

深度传感器结合红外投影仪和 IR 摄像头可用来获取 3D 深度信息。例如，微软 Kinect 传感器利用结构光技术生成三维点云数据。

此外，火星探测器等自主机器人常使用被动立体视觉（Passive Stereo     Vision）创建本地地形地图，以便进行自主导航。与 LiDAR 等主动传感器相比，立体视觉能耗更低，适合远程任务。

困难03.

如何让机器人思考

HAPPY NEW YEAR

在人形机器人领域中，“思考”是机器人决策系统的核心，它决定了机器人的行为和策略。机器人通过感知数据（如视觉传感器的数据、环境传感器的数据）构建完整的环境地图，并计算出最优的路径以及动作规划。

认知模型的实现：

通过计算机视觉识别物体、检测边缘并进行模式识别，构建环境地图。

结合SLAM技术实现实时定位与更新地图。

使用复杂的人工智能算法（如深度学习、神经网络等）来优化机器人的位置和运动轨迹，确保精准执行。

机器人非线性控制策略

SPRING

FESTIVAL

在人形机器人中，系统具有非线性动力学特性。这种特性使得传统的线性控制方法无法有效发挥作用。当前科技界主要通过以下策略实现：

全局线性化控制

使用数学变换将非线性系统映射到等效的线性状态空间。通过微分平坦系统（Differentially Flat Systems）、李代数和微分同胚进行状态估计和反馈控制，确保系统的稳定性。

局部线性化控制

在机器人局部平衡点附近建立线性近似模型。利用这些模型来提高系统对外部扰动的稳健性，并支持从静止到行走等状态之间的切换，确保平稳过渡。

李雅普诺夫稳定性控制

使用李雅普诺夫函数来分析和保证系统的渐近稳定。在人形机器人行走时，这种分析方法可以帮助确保步态不会因外部冲击而失稳。

困难04.

如何教机器人“认路”

HAPPY NEW YEAR

机器人如何像人类一样“认路”？这背后的核心技术，就是导航（Navigation）。不久前的一期线上科学日已针对鸽子归巢（可点击跳转）的识路导航系统进行了较为细致的讨论。

想象一下，你的扫地机器人如何避开桌椅，在房间里找到最优清扫路线？又或者，自动驾驶汽车如何在复杂道路环境中做出迅速决策？

这背后依赖的是路径规划。

几十年来，科学家们不断改进路径规划算法，使机器人在复杂环境中也能自主决策、流畅行动。

从经典到智能进化：路径规划的发展

SPRING

FESTIVAL

最早的路径规划研究始于20 世纪 60 年代，当时科学家们试图在大规模空间中找到最短路径。最初的方法主要是经典算法，如Dijkstra 算法和A* 算法，这些基于图搜索的技术保证了最优解，但计算复杂度较高。

随后，研究人员提出了人工势场法（APF），让机器人通过“吸引力”和“斥力”计算路径，但容易陷入“局部最小值”而卡住。

为了克服这些问题，概率方法（Probabilistic     Methods）在1990 年代崛起。代表性算法是概率路图（PRM）和快速探索随机树（RRT），它们通过随机采样构建路径网络，极大提高了计算效率，使机器人能在复杂、动态环境中自由探索。

到了2000 年代，研究人员又引入了启发式搜索（Heuristic Planners），如贪心算法（Greedy Search）和D* 算法，进一步提升了路径规划的实时性，特别适用于无人机、行星探测车等需要快速决策的系统。

机器人如何像生物一样学习路径？

SPRING

FESTIVAL

进入 21 世纪，研究者受自然界启发，发展出进化算法（Evolutionary     Algorithms），让机器人像生物一样“进化”路径规划策略。

遗传算法（Genetic Algorithms, GA）：模拟生物基因突变与优胜劣汰的过程，不断优化路径选择。

粒子群优化（Particle Swarm Optimization, PSO）：灵感来源于鸟群觅食，机器人在“搜索空间”中协同寻找最优路径。

蚁群优化（Ant Colony Optimization, ACO）：模拟蚂蚁觅食行为，利用“信息素”找到高效路径，适用于动态环境中的路径规划。

模拟退火（Simulated Annealing, SA）：借鉴金属退火过程，通过随机搜索避免陷入局部最优解，提高路径质量。

未来的路径规划：更快、更智能、更节能

SPRING

FESTIVAL

今天，路径规划不再仅仅关注“最短路径”，而是开始优化时间、能耗、平稳性等参数。例如，现代自动驾驶技术会综合考虑转弯平滑度、加速度限制、避障策略，确保行车安全与舒适性。

未来，强化学习（Reinforcement     Learning, RL）正成为路径规划的新趋势。机器人将不再依赖预设规则，而是通过自主试错和环境反馈，不断优化决策策略，使导航更加灵活、高效。

强化学习——人形机器人的外挂

HAPPY 2025 NEW YEAR

1. 强化学习的本质：机器人如何像人一样学习？

强化学习的核心目标是：让智能体（Agent）在与环境交互的过程中，通过试错逐步学习到最优策略（Policy），以最大化长期回报（Reward）。

我们可以把这个过程类比为实验室里的自旋系统寻找最低能态：

机器人面临一个复杂环境（相当于自旋系统的能量势垒）

它通过不同的动作（类似于自旋翻转）尝试改变状态（State）

环境给它奖励（Reward）

指引它走向“低能态”

——即最优行为策略。

上图机器人强化学习的学习路径，其核心可概括为这一闭环描述：状态 -> 动作 -> 奖励 -> 策略更新。通过这一循环，机器人逐步优化其行为策略，实现目标任务。例如，在机器人操作中，强化学习通过值函数和策略不断优化动作规划，指导机器人在复杂环境中完成任务。

相比于监督学习，强化学习则是在没有标签的情况下，通过探索数据的特性来学习。它并不会直接判断某个状态或动作是好是坏，而是通过奖励信号进行评价。机器人的行为会影响后续数据的发展，因此强化学习的反馈是延迟的，数据是序列化的，并且数据与数据之间存在相关性。

2. 为什么人形机器人需要强化学习？

人形机器人比普通轮式机器人复杂得多，物理上，人形机器人有几十个自由度（DOF），状态空间远大于普通机械臂。

传统控制方法（如PID、优化控制）难以在不确定环境下实现高效控制。RL 提供了一种端到端学习的方法，允许机器人通过模拟或真实环境交互，自主学习如何行走、站立、跳跃，甚至模仿人类动作。

📌 类比：当小编在实验室中尝试优化 PLD 工艺时，可能不会直接知道最优参数，而是需要不断实验，调整沉积温度、气压等。RL 也是如此，让机器人在“实验”中找到最优策略。

3. 人形机器人中的强化学习方法

机器人领域强化学习研究的范式

价值函数方法（Value-Based RL）

SPRING

FESTIVAL

核心思想是学习一个价值函数（Q值）来评估不同动作的好坏，然后机器人选择价值最高的动作执行。例如：Q-learning、深度 Q 网络（DQN）。

🚀 应用：最初的RL 机器人控制主要依赖 Q-learning，例如机器人学会在二维空间避障。但对于高维人形机器人，这种方法不够高效。

策略梯度方法（Policy-Based RL）

SPRING

FESTIVAL

不同于 Q-learning直接估算价值，这类方法直接优化策略函数，更适合高维连续动作问题：

深度确定性策略梯度（DDPG）：用于机器人抓取物体等任务。

信赖域策略优化（TRPO）：适用于复杂运动，如机器人踢足球。

近端策略优化（PPO）：用于高效的训练，比如 OpenAI 训练的五指机械手。

🚀 应用：Boston Dynamics 训练 Atlas 机器人跑酷时使用了 PPO。

模型学习方法（Model-Based RL）

SPRING

FESTIVAL

这类方法尝试让机器人先学习世界的物理规律（建模），然后在模型中规划最优策略，类似于小编在实验前先建立理论模型：物理仿真环境（MuJoCo、PyBullet）+ RL 训练。在机器人学会在仿真中行走后，再转移到真实环境（Sim-to-Real）。

🚀 应用：Google DeepMind 用 Model-Based RL 训练四足机器人适应各种地形。Tesla 的人形机器人 Optimus 在仿真环境中学习步行和抓取。

4. 未来方向🎯****

元强化学习（Meta-RL）：让机器人像人一样，学习如何学习，提高适应性。 

逆强化学习（IRL）：从人类演示中推导奖励函数，减少手工设计的工作。

自监督 RL：减少对外部奖励信号的依赖，让机器人自主探索世界。

全球人形机器人争霸：谁才是未来智能革命的领跑者？

HAPPY 2025 NEW YEAR

随着国产人形机器人不断突破极限，我们不妨看看国际舞台上还有哪些强劲的竞争者。特斯拉、波士顿动力、Agility Robotics、Unitree等科技巨头，正在推动人形机器人从实验室走向现实，赋予它们更强的感知、学习和执行能力。那么，这些机器人各自擅长什么领域？

特斯拉 Optimus：工业化未来的多面手

SPRING

FESTIVAL

作为电动车和自动驾驶领域的佼佼者，特斯拉推出的 Optimus 机器人，也继承了其 AI 先发优势。Optimus 搭载了类似自动驾驶系统的神经网络，能实时感知环境、识别物体，并自主执行任务，如抓取、搬运、精细操作等。其高分辨率摄像头与分布在手部和足部的先进触觉与力觉传感器，让它能像人类一样感知物品的重量和形状。此外，强大的动力控制系统，使其具备流畅的运动能力，成为未来工业制造与家庭服务的潜在变革者。

波士顿动力 Atlas：机器人界的“运动健将”

SPRING

FESTIVAL

如果说 Optimus 代表的是工业应用的未来，那么波士顿动力的 Atlas 则是机器人界的“体能怪兽”。它凭借卓越的动态控制系统，可以在崎岖不平的地形上稳健行走，甚至完成跳跃、空翻、翻越障碍物等高难度动作。这得益于激光雷达（LiDAR）+ 深度摄像头组成的实时环境感知系统，使其能够在复杂环境中迅速调整动作，展现出惊人的机动性。Atlas 已被广泛用于军事、救援等高风险领域，未来或将在更多高动态任务中大放异彩。

Agility Robotics Digit：物流与仓储的可靠伙伴

SPRING

FESTIVAL

与 Atlas 的高动态不同，Digit 机器人更专注于稳定行走和物流任务。它采用了特殊的末端执行器（即机械手），能够精准拾取、搬运和放置货物，适用于仓储、物流和供应链管理。Digit 具备强大的平衡控制技术，即使在楼梯、狭窄通道或复杂光照条件下，也能流畅执行任务。值得一提的是，它的LED“眼睛” 不仅提升了人机交互体验，还能通过光信号向人类员工传达行动意图，提高协作效率。

Unitree G1：从四足机器人到人形机器人的突破

SPRING

FESTIVAL

在国产机器人中，Unitree G1 是近年来最具潜力的选手之一。相比 H1 的工业风设计，G1 造型更具流畅美感，并且在跳跃、棍术操控等方面表现突出。

它结合了模仿学习和强化学习技术，使其能够不断进化，并适应更复杂的任务需求。凭借深度摄像头 + 3D 激光雷达（LiDAR），G1 能够进行 360 度全方位环境感知，在动态环境中实现精准决策与精细操作，甚至能够轻柔地拾取易碎品，展现强大的任务适应能力。

除了上述明星机器人，还有一些领域的强者值得关注：

Engineered Arts AMECA：凭借极具拟人化的表情，在人机交互和娱乐领域表现出色，但目前仍缺乏行走能力。

Figure AI Figure 02：专注于仓储和物流，具备增强的环境感知能力，致力于提升自动化作业水平。

KIT ARMAR-6：由卡尔斯鲁厄理工学院（KIT） 研发，专为工业环境设计，擅长自主操作和协同作业。

Astribot S1：家庭友好型机器人，具备快速学习能力，或将成为未来家务机器人市场的重要玩家。

从春晚舞台到现实应用，人形机器人还需要哪些技术突破？

要实现科幻作品中的“钢铁侠”级别能力，我们的人形机器人依然任重而道远，仍需在以下核心技术领域取得突破：

高效动力系统：目前的电机和液压驱动难以兼顾力量与灵活性。未来可能采用人工肌肉材料（如电活性聚合物或形状记忆合金），以降低能耗并提升仿生能力。

高级环境感知与智能控制：现有机器人多依赖预设规则，难以适应复杂环境变化。结合深度学习与强化学习，使机器人能自主调整步态并适应多变环境。

优化能源系统：现有电池技术难以支撑长时间高功耗运动。未来或可借助高能量密度电池、小型燃料电池或高效无线充电技术，提高续航能力。

参考文献：

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.

宇树科技官网：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/

春晚机器人虽酷，离“钢铁侠”仍有距离

当前的发展速度表明，或许在未来 10-20 年内，我们将迎来更智能、更强大的机器人进入日常生活。

你认为人形机器人会在何时真正融入我们的世界呢？