+关注

手机看

微信扫一扫，随时随地看

机器人都开始扭秧歌了，钢铁侠还会远吗？

中科院物理所

2025-02-02 13:04发布于北京中科院物理所官方账号

+关注

AI划重点 · 全文约8250字，阅读需24分钟

1.宇树科技Unitree H1机器人成功完成春晚扭秧歌表演《秧BOT》，展示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。

2.该机器人通过3D激光雷达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，核心技术包括强化学习。

3.为此，宇树科技官网发布了H1的成长记录小彩蛋，展示了其在移动速度、关节电机扭矩等方面的突破。

4.然而，人形机器人在稳定行走、感知环境、思考和学习等方面仍面临挑战，需要进一步技术突破。

5.未来，人形机器人有望在工业制造、家庭服务、物流仓储等领域发挥重要作用。

以上内容由腾讯混元大模型生成，仅供参考

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）

H1被“虐”↓↓↓

00:00

倍速

3.0X

2.0X

1.5X

1.25X

1.0X

0.75X

0.5X

语言

多音轨

静音播放中，点击恢复音量

你可以刷新试试

视频信息

1.33.6

播放信息上传日志

视频ID

VID

播放流水

Flowid

播放内核

Kernel

显示器信息

Res

帧数

缓冲健康度

网络活动

net

视频分辨率

编码

Codec

mystery

按住画面移动小窗

H1点亮卡点跳舞技能 ↓↓↓

00:00

倍速

3.0X

2.0X

1.5X

1.25X

1.0X

0.75X

0.5X

语言

多音轨

静音播放中，点击恢复音量

你可以刷新试试

视频信息

1.33.6

播放信息上传日志

视频ID

VID

播放流水

Flowid

播放内核

Kernel

显示器信息

Res

帧数

缓冲健康度

网络活动

net

视频分辨率

编码

Codec

mystery

按住画面移动小窗

H1超级技能之原地后空翻 ↓↓↓

00:00

倍速

3.0X

2.0X

1.5X

1.25X

1.0X

0.75X

0.5X

语言

多音轨

静音播放中，点击恢复音量

你可以刷新试试

视频信息

1.33.6

播放信息上传日志

视频ID

VID

播放流水

Flowid

播放内核

Kernel

显示器信息

Res

帧数

缓冲健康度

网络活动

net

视频分辨率

编码

Codec

mystery

按住画面移动小窗

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。

00:00

倍速

3.0X

2.0X

1.5X

1.25X

1.0X

0.75X

0.5X

语言

多音轨

静音播放中，点击恢复音量

你可以刷新试试

视频信息

1.33.6

播放信息上传日志

视频ID

VID

播放流水

Flowid

播放内核

Kernel

显示器信息

Res

帧数

缓冲健康度

网络活动

net

视频分辨率

编码

Codec

mystery

按住画面移动小窗

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/

向下滑动查看所有来源

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？

编辑：Meyare

免责声明：本内容来自腾讯平台创作者，不代表腾讯新闻或腾讯网的观点和立场。