1. 通用——解决机器人高需求和低渗透率的矛盾

 

1.1. 机器人进化路径：从固定到移动，从独立到协作，从单一 到通用

 

服务机器人商业化落地的前提是产品能提供真实价值，真实价值的判断在于机器人 能否通用。在全球劳动力短缺的背景下，机器人产业蓬勃发展，2022 年全球服务机 器人市场规模 217 亿美元，过去 5 年复合增速超过 20%。然而，在高速发展背景 下，服务机器人渗透率仍然不高，规模化商业落地并不顺利。

 

我们认为原因在于：目前大多数服务机器人都或多或少的存在场景适应性的问题， 如无法适应环境变化，环境变化后，用户无法通过简单操作实现场景适配；智能化 程度低，行人避障及功能表现不理想；机器人部署流程复杂（如 SLAM 建图、目标 点标注等），所有部署操作只能由机器人现场部署工程师执行，使用者难以操作及参 与，且当需要变更时，仍需现场部署工程师进行操作。以商超场景为例：环境复杂：场景中镂空的货架（超高类障碍物）、狭窄的通道、易跌落区域、低矮 类障碍物及临时的摊铺，考验机器人的通过性、感知能力、任务规划能力。高动态化：商场人流大，易聚集，动态障碍物多，对机器人安全避障能力要求高。特殊物体较多，场景光线变化大：如玻璃护栏、自动扶梯、玻璃转门、玻璃墙等高 透物体大多数机器人基本无法识别，且容易对激光雷达产生干扰，导致机器人误判， 发生碰撞、跌落、无法靠近作业。对于依赖视觉传感器的机器人来说，要在普通光 线、黑暗、过曝等光照条件都能稳定运行难度较大。

 

以上问题在工业机器人领域同样存在，影响了工业机器人渗透率的提升，直到协作 机器人 的出 现。2022 年全 球协 作机 器人市 场规 模 89.5 亿元人 民币 ，预 计 2022~2028 年市场规模将以 22.05%的增速达到 300 亿元。2017～2022 年中国 协作机器人销量从 3618 台增长至 19351 台，预计 2023 年出货将超过 2.5 万台， 2016～2021 年市场规模从 3.6 亿人民币增长至 20.39亿人民币，复合增速 41.5%。协作机器人也可以被认为是服务机器人，因为他们旨在与人类并肩作战。传统工业 机器人在栅栏后与人分开作业，完成的工作也有限，例如焊接、喷涂、吊装等。协 作机器人更灵活，更智能，更容易合作，更具有适应能力，使汽车、电子等制造行 业能够将自动化扩展到最终产品组装，完成任务（例如抛光和施涂涂层）以及质量 检查等等。

 

1.2. 如何让机器人更加通用？

 

使机器人更加通用，需要机器人的感知能力、思考和决策能力、行动执行能力的全 面提升。我们认为 GPT（预训练大预言模型）和人形机器人的出现，是机器人在迈 向通用人工智能的道路上的一大步。感知世界的能力（机器人的眼睛）：机器人自主移动的感知和定位技术中激光和视觉 导航是主流应用方案。计算机视觉的发展经历了基于以特征描述子代表的传统视觉 方法、以 CNN 卷积神经网络为代表的深度学习技术，目前通用的视觉大模型正处 于研究探索阶段，人形机器人的场景相对工业机器人更通用、更复杂，视觉大模型 的 All in One 的多任务训练方案能使得机器人更好地适应人类生活场景。一方面， 大模型的强拟合能力使得人形机器人在进行目标识别、避障、三维重建、语义分割 等任务时具备更高的精确度；另一方面，大模型解决了深度学习技术过分依赖单一 任务数据分布，场景泛化效果不佳的问题，通用视觉大模型通过大量数据学到更多 的通用知识，并迁移到下游任务中，基于海量数据获得的预训练模型具有较好的知识完备性，提升场景泛化效果。

 

思考和决策的能力（机器人的大脑）：目前的机器人都是专用机器人，只能在限定场 景中应用，即使是机器人抓取，基于计算机视觉，仍然是在限定场景中，算法仅用 于识别物体，如何做、做什么仍需要人的定义。要让机器人通用，叫他去浇花，他 就知道去拿水壶，接水，然后浇花，这是需要常识才能完成的事情。如何能让机器 人拥有常识？在大模型出现之前，这个问题几乎是无解的。大模型让机器人可以拥 有常识，从而具备通用性去完成各种任务，彻底改变通用机器人实现的模式。

 

人类工具和环境的适应性，不用再为了机器人而造工具。执行能力 （机器人的四肢）：行动能力（腿）+精细操作（手）。把机器人做成人形，就是为了 让机器人的执行能力更加通用。机器人执行任务时所处的环境是按照人类的体型建 造起来的：建筑、道路、设施、工具等，这个世界是为了方便人类这种人形生物才 这样设计。如果出现了某种新形态的机器人，人们就必须重新设计一套机器人适应 的全新环境。设计在某个特定范围内执行任务的机器人相对容易，如果想要提高机 器人的通用性，就必须选择可以作为分身的人形机器人。此外，人类与人形机器人 更容易有情感上的交流，人形机器人会让人感到亲近。日本机器人专家森昌弘的假 设指出：由于机器人与人类在外表、动作上相似，所以人类亦会对机器人产生正面 的情感。

 

 

1.3. 人形机器人进入商业化前夜

 

从 2015 年 DARPA Robotics Challenge，到 2019 年人形机器人各种科研项目被 砍，业内普遍唱衰，再到 2022 年特斯拉带动的百花齐放，人形机器人产业处于螺 旋式向上的发展之中。波士顿动力的 Atlas、Tesla 的 Optimus、小米 CyberOne、 ihmc 的 Nadia，Agility Robotics 的 Nadia、日系 Asimo 与 HRP-5P 都在探索人 形机器人的商业形态。我们对人形机器人发展过程中有代表性的产品进行了梳理：第一台人形机器人 WABOT-1（1973 年）。1973 年日本早稻田大学加藤一郎带领 团队研发出世界上第一台真人大小的人形智能机器人——WABOT-1。该机器人有 肢体控制系统、视觉系统和对话系统，胸部装有两个摄像头，手部装有触觉传感器。

 

本田 E 系列机器人（1986～1993 年），奠定稳定行走基础。本田推出 E 系列双足 机器人，E0 到 E6，走路速度由慢变快，从走直线到在台阶或坡地上均可实现稳定 行走，为下一步 P 系列类人机器人的研发奠定了基础，是机器人历史的里程碑。本田 P 系列机器人（1993-1997 年）& ASIMO（2000～2011）。1993 年本田开 发第 1 个仿人机器人原型 P1，2000 年 P 系列中的第 4 台也是最后一台机器人 P4 诞生，通俗称呼阿西莫（ASIMO）。2011 年推出的第三代 ASIMO 身高 1.3 米，体 重 48 公斤，行走速度是 0-9km/h，2012 最新版的 ASIMO，除具备了行走功能与 各种人类肢体动作之外，还可以预先设定动作，并依据人类的声音、手势等指令， 做出相应动作。他还具备了基本的记忆与辨识能力。2018 年本田宣布停止人形机器 人 ASIMO 的研发，专注于该技术的更多实际应用。

 

 

HPR 系列机器人（1998～2018）代替建筑行业的繁重工作：这是由日本经济产业 省和新能源与产业技术开发组织赞助，川田工业株式会社（Kawada Industries）牵 头与国立先进工业科学技术研究院（AIST）和川崎重工株式会社共同研发的通用家 庭助手机器人的开发项目。项目起始于 1998 年 HPR-1（Honda P3），先后推出了 HPR-2P、HRP-2、HRP-3P、HRP-3、HRP-4C、HRP-4 等多个人形机器人。目前 最新的机器人 HPR-5P 于 2018 年发布，该机器人身高 182cm，体重 101kg，全身 总共 37 个自由度，旨在替代建筑行业中的繁重工作。

 

波士顿动力（1986～2023）：腿足式机器人运控技术最前沿，军事化应用特征明显。波士顿动力最早因研发的 Big Dog 而被世界闻名，公司发布了 BigDog、Rise、 LittleDog、PETMAN、LS3、Spot、Handle、Atlas 等多个机器人，从单足、多足 机器人到人形机器人，有着明显的军事化应用的路线特征。波士顿动力是一家典型 的技术驱动的公司，从机械结构、算法步态控制、动力系统耗能等方面对机器人持 续迭代更新，核心在于发展腿式机器人以适应不同环境的使用，技术关键在于动力 学研究和机器人平衡态的控制。

 

Digit 系列机器人（2019～2023）：具备行走能力，专注物流领域商业化。Digit 系 列是 Agility Robotics 公司在物流领域商业化的尝试，公司是从俄勒冈州立大学 （OSU）拆分出来的机器人公司，致力于研发和制造双足机器人，前后开发了 MABEL、ATRIAS、CASSIE、DIGIT 系列足式机器人。其中 CASSIE 可实现 4m/s 的 惊人配速，是腿足式机器人在快速行走能力上里程碑式的成果。2019 年，Agility 推 出了人形机器人 Digit，在 Cassie 的基础上加上了躯干、手臂，并增加了更多计算 能力，支持负载 18kg 的箱子，可进行移动包裹、卸货等工作。

 

 

小米“铁大“机器人（2022）：21 年小米曾发布一款机械狗 Cyberdog，是其在足 式机器人的首次尝试。2022 年 8 月，小米首个全尺寸人形仿生机器人 CyberOne 亮相秋季发布会。CyberOne 身高 177cm，体重 52kg，艺名“铁大”，能感知 45 种人类语义情绪，分辨 85 种环境语义；搭载小米自研全身控制算法，可协调运动 21 个关节；配备了 Mi Sense 视觉空间系统，可三维重建真实世界；全身 5 种关 节驱动，峰值扭矩 300Nm。

 

特斯拉 Optimus 机器人（2022 年）：推动人形机器人商业化。Optimus 原型机亮 相于 2022 年特斯拉 AI day，身高 1.72m，体重 57kg，可负载 20kg，最快运动 速度 8km/h。目前 Optimus 仍处于研发进展迅速，仅 8 个月机器人已可实现直立 行走、搬运、洒水等复杂动作。

 

交互型机器人索菲亚（2015）和阿梅卡（2021），面部表情拟人化的尝试: 索菲亚 （Sophia）是由汉森机器人技术公司（Hanson Robotics）开发的类人机器人，2015 年面世。索菲娅皮肤由 Frubber 仿生材料制成，基于语音识别、计算机视觉技术， 可以识别和复制各种各样的人类面部表情，并通过分析人类表情和语言同人类对话。阿梅卡（Ameca）由英国领先的仿生娱乐机器人设计和制造公司——工程艺术有限 公司（Engineered Arts）打造，具有 12 个全新的面部致动器，经过面部表情升级 后，能对着镜子眨眼、抿嘴、皱眉、微笑。阿梅卡能够自由进行几十种仿人类的肢 体运动，被认为是“世界上最逼真机器人”。

 

 

2. AI 大模型+人形机器人：给机器人提供常识

 

2.1. AI 大模型训练过程及发展趋势

 

大模型 = 预训练+微调。从 2017 年 Transformer 开始，到 GPT-1、BERT、GPT2、GPT-3、GPT-4 模型的出现，模型的参数量级实现了从亿到百万亿量级的突破， 大模型（预训练模型、Foundation Models）在无标注的数据上进行预训练，利用 专用的小规模的标注数据对模型进行微调（fine- tuning），可用于下游任务预测。迁移学习是预训练模型的主要思想，当目标场景数据不足时，先在数据量大的公开 数据集上训练基于深度神经网络的 AI 模型，然后将其迁移到目标场景中，通过目标 场景中的小数据集进行微调，使模型达到要求的性能。预训练模型极大地减少了模 型在标记数据量下游工作的需要，从而适用于一些难以获得大量标记数据的场景。

 

大模型的发展过程和趋势：从参数规模上看，大模型经历了从预训练模型、大规模 预训练模型、超大规模预训练模型的阶段，参数量实现了从亿级到百万亿级的发展。从数据模态来看，大模型正在从文本、语音、视觉等单一模态大模型，向着多种模 态融合的通用人工智能方向发展。

 

 

2.2. AI 大模型让人形机器人具备通用任务解决能力

 

AI 大模型将会从语音、视觉、决策、控制等多方面实现同人形机器人的结合，形成 感知、决策、控制闭环，大大提升机器人的“智慧”程度：语音：ChatGPT 作为一种预训练语言模型，可以被应用于机器人与人类之间的自然 语言交互。例如，机器人可以通过 ChatGPT 来理解人类的自然语言指令，并根据 指令进行相应的动作。自然语言是人类最通用的交互媒介，语音作为自然语言的载 体将会是机器人拟人化的关键任务。尽管深度学习的出现已经将以语音识别技术、 自然语言处理、语音生成技术为构成模块的语音交互技术推向相对成熟的阶段，但 实际过程中仍然容易出现语义理解偏差（反讽等）、多轮对话能力不足、文字生硬的 情况。语言大模型为机器人的自主语音交互难题提供了解决方案，在上下文理解、 多语种识别、多轮对话、情绪识别、模糊语义识别等通用语言任务上，ChatGPT 表 现出了不亚于人类的理解力和语言生成能力。在以 ChatGPT 为代表的大模型的加 持下，人形机器人对通用语言的理解和交互才能提上日程，这将会是通用 AI 赋能通 用服务机器人的开始。

 

视觉：视觉大模型赋能人形机器人识别更精确，场景更通用。计算机视觉的发展经 历了基于以特征描述子代表的传统视觉方法、以 CNN 卷积神经网络为代表的深度 学习技术，目前通用的视觉大模型正处于研究探索阶段。一方面，大参数量模型的 强拟合能力使得人形机器人在进行目标识别、避障、三维重建、语义分割等任务时 具备更高的精确度；另一方面，通用大模型解决了过去以卷积神经网络为代表的深 度学习技术过分依赖单一任务数据分布，场景泛化效果不佳的问题，通用视觉大模 型通过大量数据学到更多的通用知识，并迁移到下游任务中，基于海量数据获得的 预训练模型具有较好的知识完备性，大大提升场景泛化效果。人形机器人的场景相 对工业机器人更通用、更复杂，视觉大模型的 All in One 的多任务训练方案能使得 机器人更好地适应人类生活场景。

 

决策：通用语言、环境感知能力是自动化决策的基础，多模态大模型契合人形机器 人的决策需求。单一模态智能无法解决设计多模态信息的决策问题，如“语音告知 机器人去取桌子上绿色苹果”的任务。多模态统一建模，目的是增强模型的跨模态 语义对齐能力，使模型逐步标准化，使得机器人能综合视觉、语音、文本多维度信 息，实现各感官融合决策的能力。基于多模态的预训练大模型或将成为人工智能基 础设施，增强机器人可完成任务的多样性与通用性，让其不只局限于文本和图像等 单个部分，而是多应用相容，拓展单一智能为融合智能，使机器人能结合其感知到 的多模态数据实现自动化决策。

 

 

控制：生成式 AI 赋能机器人自我控制，最终形成感知、决策、控制闭环。使得人形 机器人具备通用能力，首先需要其具备“常识”，即通用的语言理解能力（语音）和 场景理解能力（视觉）；其次需要其具备决策能力，即接收指令后产生的对任务的拆 解；最后，需要其具备自我控制和执行性能，生成式 AI 的代码生成能力将最终使得 机器人的感知、决策、动作形成闭环，达到自我控制的目的。事实上，近来微软团 队已经尝试将 ChatGPT 应用于机器人控制的场景中，通过提前写好机器人底层函 数库，并对其描述功能作用及目标，ChatGPT 能生成完成任务的代码。在生成式 AI 的推动下，机器人编程的门槛将会慢慢降低，最终实现自我编程、自我控制，并完 成人类习以为常的通用任务。

 

2.3. OpenAI 和微软将大语言模型应用于机器人

 

OpenAI 领投挪威人形机器人公司 1X Technologies。2017 年 OpenAI 推出了用 于机器人的开源软件 Roboschool，在机器人中部署了新的单样本模仿学习算法， 通过人类在 VR 中向机器人演示如何执行任务。2018 年，OpenAI 发布了 8 个模拟 机器人环节和事后经验回访基线实施，并用来训练在物理机器人上工作的模型。22 年，Halodi Robotics 在挪威 Sunnaas 医院测试了医护助理机器人 EVE，让其执行 后勤 工 作 。2023 年 3 月 28 日 ，OpenAI 领 投 挪威 人 形 机器 人 公 司 1X Technologies(前称 Halodi Robotics)。Halodi Robotics 通过 Ansys 初创公司计 划利用 Ansys 仿真软件开发能在日常场景中与人安全协作的人形机器人。

 

微软提出 ChatGPT for Robotics，利用 ChatGPT 解决机器人应用程序编写问题。2023 年 4 月，微软在其官网发表了一篇名为《机器人 ChatGPT：设计原则和模型能力（ChatGPT for Robotics: Design Principles and Model Abilities）》论文， 这项研究的目标是观察 ChatGPT 是否可以超越文本思考，并对物理世界进行推理 来帮助完成机器人任务。人类目前仍然严重依赖手写代码来控制机器人，该团队一 直在探索如何改变这一现实，使用 OpenAI 的新人工智能语言模型 ChatGPT 实现 自然的人机交互。

 

人类可以从机器人流程中的 in the loop 变为 on the loop。论文提出，不要求 LLM 输出特定于机器人平台或者库的代码，只是创造简单的高级函数库供 ChatGPT 调 用，并在后端讲高级函数库链接到各个平台，场景和工具的现有库和 API。结果证 明，ChatGPT 的引入，使得人类通过自然语言等高级语言命令于语言模型交互，用 户通过文本对话不断将人类的感知信息输入 ChatGPT，ChatGPT 解析观察流并在 对话系统中输出相关操作，不需要生成代码。这样，人类可以实现无缝部署各种平 台和任务，人类对 ChatGPT 输出的质量和安全性进行评估。人类在机器人 pipeline 中的任务主要是：1）首先，定义一组高级机器人 API 或函数库。该库可以针对特定的机器人类型进 行设计，并且应该从机器人的控制栈或感知库映射到现有的低层次具体实现。为高 级 API 使用描述性名称非常重要，这样 ChatGPT 就可以推理它们的行为。2）为 ChatGPT 编写一个文本提示，描述任务目标，同时明确说明高级库中的哪 些函数可用。提示还可以包含有关任务约束的信息，或者 ChatGPT 应该如何组织 它的答案，包括使用特定的编程语言，或使用辅助解析组件等。3）用户通过直接检查或使用模拟器来评估 ChatGPT 的代码输出。如果需要，用 户使用自然语言向 ChatGPT 提供有关答案质量和安全性的反馈。4）当用户对解决方案感到满意时，就可以将最终的代码部署到机器人上。

 

 

ChatGPT 可以以 zero-shot 的方式解决简单的机器人任务。对于简单的机器人任 务，用户只需要提供文本提示和函数库描述，不需要提供具体的代码实例，ChatGPT 就可以 zero-shot 解决时空推理（ChatGPT 控制一个平面机器人，用视觉伺服捕捉 篮球位置）、控制真实无人机完成物体寻找、操纵虚拟无人机实现工业检测等问题。

 

在人类用户 on the loop 交互下，ChatGPT 可以完成更复杂的机器人控制任务。1）课程学习：教授 ChatGPT 简单的拾取和放置物体的技能，并将所学会的技能按 照逻辑组合用于更复杂的区块排列任务；2）Airsim 避障：ChatGPT 构建了避障算 法的大部分关键模块，但需要人工反馈无人机朝向等信息。人工反馈高级的自然语 言，ChatGPT 能够理解并在适当的位置进行代码修正。

 

ChatGPT 的对话系统能够解析观察并输出相关操作。1）带 API 的闭环对象导航：为 ChatGPT 提供了对计算机视觉模型的访问，作为其函数库的一部分。ChatGPT 在其“代码“输出中构建感知-动作循环，实现估计相对物体角度、探索未知环境、 并导航到用户指定对象的功能；2）使用 ChatGPT 的对话进系统进行闭环视觉语言 导航。在模拟场景下，人类用户将新的状态观测值作为对话文本输入，ChatGPT 的 输出仅返回向前的运动距离和转弯角度，实现了用“对话系统”指导机器人一步步 导航到感兴趣区域。

 

3. 人形，让机器人的运动执行更加通用

 

执行能力（机器人的四肢）：行动能力（腿）+精细操作（手）。把机器人做成人形， 是为了让机器人的执行能力更加通用。机器人执行任务时所处的环境是按照人类的 体型建造起来的：建筑、道路、设施、工具等，这个世界是为了方便人类这种人形 生物才这样设计。如果出现了某种新形态的机器人，人们就必须重新设计一套机器 人适应的全新环境。设计在某个特定范围内执行任务的机器人相对容易，如果想要 提高机器人的通用性，就必须选择可以作为分身的人形机器人。本章选择两个代表 性产品波士顿动力 Altas 和特斯拉 Optimus，从驱动、环境感知、运动控制三方面 对比方案差异，探寻人形机器人运动控制方案商业化的趋势。

 

波士顿动力 Altas 定位于技术的前瞻性研究，侧重探索技术应用的可能性而非商业 化。从硬件架构来看， Altas 具备出色的动态性能、瞬时功率密度和稳定的运动姿 态，可以实现高负载、高复杂度的运动, 像是一场技术驱动的盛宴。商业化并非波士 顿动力当前主要考量因素，Altas 项目更多作为一个研究平台供研究者进行学术试 验，侧重探索技术应用的可能性而非商业化。特斯拉 Optimus 发心于人形机器人的规模化、商业化、标准化，商业化的目标驱 动下，成本、能耗成为特斯拉团队的考量指标。

 

 

3.1. 驱动：液压驱动 VS 电动驱动

 

3.1.1. 电驱成本低、易于维护、控制精度高，商业化潜力高

 

主流人形机器人的驱动方案包括液压驱动和电气驱动（伺服电机+减速器）两种。相 比电气驱动，液压驱动输出力矩大、功率密度高和过载能力强，因而能满足波士顿 动力 Atlas 高负载动作和快速运动的需求；但液压驱动的方式能耗大、成本高，同 时容易出现漏液等问题、可维护性差。一方面，商用场景下高负载动作（如跑酷、 后空翻等）属于非必要行为，另一方面，随着电驱系统功率密度和响应速度的不断 提升，我们认为结合电驱成本低、易于维护且技术应用成熟的优势，基于电驱的人 形机器人商业化可能性更高。

 

3.1.2. 波士顿动力 Atlas：采用“液压驱动”方案

 

波士顿动力全身共 28 个液压执行器，可执行高负载复杂动作。HPU（Hydraulic Power Unit）作为 Atlas 的液压动力源具备极小尺寸的高能量密度（~5kW/5Kg）， 电液经由流体管线连接至各液压泵，可实现快速响应和精确力控，其高瞬时功率密 度的液压驱动器能支持机器人实现奔跑、跳跃、后空翻等复杂动作，机器人的结构 强度得益于其高集成度的结构总成。根据官方披露影像及专利细节，我们推测：踝、 膝、肘关节由液压缸驱动；髋、肩、腕关节及腰腹由摆动液压缸驱动。

 

3.1.3. 特斯拉 Optimus：采用“电动驱动”方案

 

单台 Optimus 全身 40 个执行器，是单台多关节机器人的 6～7 倍。其中：身体关 节部分采用减速器/丝杆+伺服电机的传动方式，共计 28 个执行器；机械手基于欠 驱动方案，采用电机+腱绳驱动（tendon-driven）的传动结构，单手 6 个电机，11 个自由度。

 

 

根据 Testla AI Day，特斯拉自主研发的六种执行器中，旋转关节方案继承工业机器 人，线性执行器和微型伺服电机是人形机器人新需求，具体看：

 

旋转关节方案（肩、髋、腰腹）：伺服电机+减速器，我们推测，单台人形机器人将 搭载 6 台 RV 减速器（髋、腰腹）和 8 台谐波减速器（肩、腕）。根据特斯拉 Optimus 执行器方案，RV 减速器体积大、负载能力强、刚度高，适用于髋、腰腹大负载关节， 其中髋关节 2*2 台、腰腹两个自由度 2 台，共计 6 台；谐波减速器体积小、传动比 高、精密度高，适用于肩、腕关节，其中肩关节 3*2 台、腕关节 1*2 台，共计 8 台。随着更多厂商的涌入，其执行器方案可能存在差异，若线性执行器被旋转执行器替 代，单台机器人减速器数量将有所提升。

 

摆动角度不大的关节（膝、肘、踝、腕）：线形执行器（伺服电机+丝杠）。一体化伺 服电动缸（伺服电机+丝杠）方案具备自锁能力，能耗比纯旋转关节方案低。线性执行器空间利用率高、能提供较大的推动力。我们猜测，线性执行器基于力矩电机结 合行星滚柱丝杠的方案将应用于线性执行器关节（髋、膝、踝、肘、腕）中，预计 合计将使用 14 个线性执行器。

 

行星滚柱丝杠以其高承载、高刚度、长寿命的特点或成为人形机器人线性执行器的 关键传动装置，通过适配人形机器人需求实现降本是大规模放量的前提。根据 Tesla AI Day 2022 会上展示的信息来看，Optimus 线性执行器采用的方案即为行星滚柱 丝杠一体式伺服电动缸。我们认为下肢髋、膝、踝关节及上肢的肘关节的伺服电缸 采用高承载、高刚度的行星滚柱丝杠作为传动装置可能性比较大。行星滚柱丝杠结 构复杂、加工难度大因而成本很高，通过调整设计、工艺方案适配人形机器人的需 要来实现降本是其大规模应用的前提。

 

 

机械手：Optimus 单手包括 6 个执行器，可实现 11 个自由度，由微型电机驱动， “欠驱动”方案性价比高，“绳驱“传动结构不确定性较大。“欠驱动”，系统执行器 的数目小于其自由度数目，因为机械手本身高自由度数目的特性，出于提高系统设 计的集成性、紧凑性和降低成本、更出于简化后续运动控制的考虑，设计者们会减 少所使用电机的数目（即执行器的数目），形成了执行器的数目小于其自由度数目的 欠驱动方案。通过通过机械结构的优化实现以较少的执行机构驱动更多的自由度， 节省成本，是目前商业产品及高校机械手研发的主流选择。

 

机械手驱动方案差异较大，电机的轻量化、低成本是关键。机械传动结构上，机械 手的主流方案包括绳驱（Tendon Driven）、连杆、齿轮齿条、材料形变等。各机械 手驱动方案差异很大：Ritsumeikan Hand Ritsumeikan Hand 通过耦合走线实现 了 2 个驱动器对 15 个关节的驱动；Stanford/JPL 灵巧手单手 16 个电机；Shadow Hand 单手 30 个电机，合计 24 个自由度。人形机器人机械手需要满足质量轻、结 构紧凑和抓取力强的要求，因此电机应具有尺寸小、质量轻、精度高、扭矩大的特 点。空心杯电机结构紧凑、能量密度高、能耗低，和人形机器人机械手需求契合度 高。

 

特斯拉 Optimus 机械手采取电机+腱绳驱动的方式，可能对手部传动方案进行优 化。尽管绳驱给机械手带来了极大的灵活性，且可以极大简化设计难度和系统的复 杂性，但其可靠性、传动效率都低于传统连杆、齿轮齿条等方式，可能是研发团队 短期开发的权宜之计。

 

3.2. 环境感知：深度相机+激光雷达 VS 纯视觉方案

 

用于实现机器人自主移动的感知和定位技术原理主要包括视觉、激光、超声波、GPS、 IMU 等，对应机器人感知系统的不同传感器类别。SLAM（即时定位与地图构建） 是发展比较成熟、应用广泛的定位技术，它是机器人通过对各种传感器数据进行采 集和计算，生成对其自身位置姿态的定位和场景地图信息的系统。SLAM 问题可以 描述为：机器人在未知环境中从一个未知位置开始移动，在移动过程中根据位置估 计和传感器数据进行自身定位，同时建造增量式地图。获取定位和地图后，再根据 路径规划算法（全局、局部、避障）实现自主移动。

 

 

3.2.1. 波士顿动力 Atlas：深度相机+激光雷达

 

波士顿动力 Atlas 感知方案融合深度相机和激光雷达，基于多平面分割算法实现步 态规划。Atlas 机器人感知视觉技术发展相对成熟，它借鉴 Google Transformer 模 型，搭建 HydraNet 神经网络模型，优化视觉算法，完成了自动驾驶纯视觉系统的 迁移；Atlas 使用 ToF 深度相机以每秒 15 帧的频率生成点云，基于多平面分割算 法从点云中提取环境表面，数据经过映射后完成对周边物体的识别。之后，工控机 基于识别到的表面和物体信息进行步态规划，以实现避障、探测地面状况以和巡航 等任务。IHMC 全称为“人类与机器认知研究所”，是一家专注于研发机器人控制算 法的顶尖机构，主要研发人形机器人行走所需的关键算法，而指挥 Atlas 机器人站 立、行走等算法就来自于 IHMC。

 

3.2.2. 特斯拉 Optimus：纯视觉方案，成本更低

 

特斯拉 Optimus 环境感知采用基于摄像头的纯视觉方案，移植特斯拉全自动驾驶 系统，成本更低。Optimus 头部搭载三枚摄像头（鱼眼摄像头+左右摄像头），通过 全景分割+自研的三维重建算法（Occupancy Network）实现环境感知，纯视觉方 案相比激光雷达等感知设备成本更低，但对算力要求高。机器人继承了 Autopilot 算法框架，通过重新采集数据训练适用于机器人的神经网络，以实现环境的三维重建、路径规划、自主导航、动态交互等。特斯拉强大的全自动驾驶系统（FSD）的移 植，使机器人视觉方案在不增加硬件成本的前提下朝着更精确、更智能的方向进步。

 

3.3. 运动控制：尚未形成通用的控制器解决方案

 

运控算法是核心竞争力，各家人形机器人控制算法均为自研。人形机器人对运动控 制能力及感知计算能力要求较高，且不同厂商的执行器数量和类别差异较大，未来 运控算法或成为厂商核心竞争力，且自研可能性较大；此外人形机器人控制方案， 对于客户应用场景的了解程度及工艺要求也是重要因素，目前下游场景分散，单独 一家厂商还很难将人形机器人做到各个场景的通用。

 

3.3.1. 运动控制算法：思路相似，均为离线行为库和实时调整

 

波斯顿动力 Atlas：基于离线行为库和模型预测控制（MPC）实现行为控制 离线行为库基于轨迹优化算法（质心运动学优化+运动学优化）和动作捕捉（Motion Capture）创建，技术人员可通过向库中添加新轨迹为机器人添加新功能；机器人被 指定行为目标后，从行为库中选择尽可能接近目标的行为，获得理论上可行的动态连续动作。模型预测控制（MPC）根据传感器反馈的实时信息，基于行为库调整部 分参数（力、姿势、关节动作时间等）的细节，以适应真实环境同理想的差异和其 他实时因素。MPC 这种在线控制方式允许机器人偏离模版行动，同时可以为两个行 为（如跳跃和后空翻）间预测过渡动作，简化了行为库的创建过程。

 

 

特斯拉 Optimus：步态规划算法思路和 Altas 类似，运动规划器生成参考轨迹，控 制器根据传感器信息实时调整优化行为，控制算法尚不成熟 步态控制算法中，运动规划器首先基于预期路径，生成参考轨迹，确定机器人模型 的动力学参数。控制器基于传感器数据对机器人进行姿态估计，根据现实环境和理 想模型的差异，对机器人行为参数进行校正，得到真实行为。此外，在连续的步态 间，算法结合了人类行走时的脚步状态（脚掌初始着地->脚趾最后离地），结合上半 身的协调摆臂运动，实现自然摆臂、大跨步以及尽可能的直膝行走，提高行走效率 与姿态。目前机器人的步态控制方案还不够成熟，抗干扰能力较弱，动态稳定性差， 特斯拉技术人员表示 Optimus 的平衡问题可能需要 18～36 个月解决。

 

类似的，Optimus 上肢操作借助基于动捕和逆运动学映射构成的离线行为库，通过 实时轨迹优化实现自适应操作。

 

3.3.2. 运动控制器：多为自主设计，不同厂商需求差异大

 

人形机器人采集并处理多种模态数据，执行机构复杂程度远高于工业机器人，对控 制器实时算力、集成度要求高。人形机器人传感器类型、数量远超工业机器人，行 动过程中需同时完成 3D 地图构建、路径规划、多传感器数据采集、采集运算并实 现闭环控制等等，流程相对繁杂，数据维度、数据量均高于工业机器人，对算力要 求高。工业机器人一般通过外接的图像采集卡和图像处理软件实现识别和检测；移 动场景下的人形机器人要求图像处理器集成于控制器芯片中，对芯片集成度有要求。人形机器人控制器多为自主设计，不同厂商需求差异大。目前人形机器人下游场景 的不确定性较强，不同厂商研发的机器人驱动方案（如驱动方式、电机方案）、感知 方案（纯视觉、多传感器融合等）、控制算法差异较大，机器人对控制器的算力、存 储等有不同的需求，因此控制器的组成有差异，以自主设计为主。我们认为人形机 器人控制器采用分布式控制系统的方案可能性较大，即由一个核心控制器和多个小 型控制器构成，其中小型控制器用于驱动各个身体区域的关节。

 

波士顿动力 Atlas：机器人本体搭载 3 台工控机负责运控系统的计算 。控制器接收来自激光雷达、ToF 深度相机的数据，生成地图和路径后基于离线行为 库中规划目标行为；实际运动过程中通过采集 IMU、关节位置、力、油压、温度等 传感器数据，针对动作序列进行实时调整和优化。

 

特斯拉 Optimus：复用特斯拉汽车的感知和计算能力，在全自动驾驶 FSD 芯片基 础上开发适合人形机器人的控制器系统 。FSD 芯片集成了中央处理器、神经网络处理器（NPU）、图像处理器（GPU）、同步 动态随机存储器（SDRAM）、信号处理器（ISP）、视频编码器（H.265）和安全模 块，能高效率地实现图像处理、环境感知、通用计算和实时行为控制。为了匹配人 形机器人和汽车的需求差异，Optimus 控制器芯片在 FSD 芯片基础上做了适应性 修改，增加了对视、听、触觉等数据采集实现多模态信息输入支持，植入语音交互 和无线连接模块支持人机沟通，具备硬件保护功能以保障机器人和周边人员安全， 进而实现行为决策和运动控制。

 

 

注：*本文(含图片)均为转载，若有侵权请联系删除。