一段人形机器人视频往往只有几十秒：机器人走进工位，拿起零件，放进料箱，再挥手离开。观众看到的是一个连贯动作，工程团队面对的却是几十个关节、持续变化的接触力、有限电量、摄像头遮挡、通信延迟和无数失败边界。
所以，“全景扫描”不能只列品牌和参数。更有用的视角，是把机器人拆成身体、感官、反射、计划、经验和运行环境六个层次，再看它们怎样在毫秒到分钟的不同时间尺度上配合。
## 为什么一定要做人形
人形不是通用机器人的唯一答案。轮式底盘更省电、更稳定；固定机械臂在重复工位上更快、更精准；四足平台更适合崎岖地形。人形设计的主要理由，是人类世界已经围绕人的身高、手臂、门、楼梯、工具和工作台建成。
如果任务长期固定，改造环境并使用专用设备通常更经济。只有当机器人需要在多个既有工位之间移动、使用为人设计的工具，或环境难以大规模改造时，两条腿和两只手的兼容性才可能抵消它的复杂度。
评价一台人形机器人时，第一问不应是“像不像人”，而应是“为什么这个任务需要人形”。形态必须服务于任务，而不是让任务配合外观。
## 身体：骨架、关节与执行器
机器人的骨架承受自重、载荷和跌倒冲击，关节决定活动范围，执行器把电能转换为运动。常见电动关节由电机、减速器、轴承、编码器和制动或保护结构组成。扭矩更大并不总是更好，它可能带来重量、惯量、发热和能耗上升。
人类肌肉和肌腱具有天然弹性，机器人则需要在刚度与顺应性之间设计。过硬的系统定位精确，却更容易把碰撞力传给环境；适度柔顺能吸收冲击，但控制难度更高。关节间隙、摩擦和温度变化还会让实验室标定逐渐失准。
厂商从液压研究平台转向全电动平台，反映了噪声、维护、能效和产品化的权衡。Boston Dynamics 对新一代 Atlas 的公开介绍就是一个例子，但厂商页面展示的是设计方向，不等于在任意工厂任务上的独立验证。
## 能源：电池也是能力边界
站立、行走、搬运和计算都消耗电力，关节峰值功率还可能远高于平均值。电池更大能延长工作时间，却会增加机器人必须持续搬动的重量；散热结构增加后，体积和风扇噪声也会上升。
因此续航不能只看“充一次能工作多久”。还要说明机器人执行什么任务、以什么速度运动、搬多重物体、待机占比多少，以及是否需要回到固定位置换电或充电。相同电池在巡检和频繁下蹲搬箱场景中的表现会很不同。
真正的生产节拍还包括换电、冷却、故障复位和日常检查。机器人能连续完成一次漂亮演示，与能在整班时间内稳定提供净产出，是两种证据。
## 感官：先知道自己，再理解环境
人形机器人通常使用关节编码器、惯性测量单元和力矩或足底传感器感知自身状态，这部分叫本体感觉。摄像头、深度传感器、激光雷达或麦克风用于观察外部环境。
单个传感器都不可靠：强光影响相机，透明和反光物体干扰深度估计，快速运动产生模糊，足底接触也可能打滑。系统需要融合多个信号，并估计自己有多不确定。若机器人不知道脚是否踩实，再好的语言理解也无法保持平衡。
感知还必须绑定坐标。系统不仅要认出“这是杯子”，还要知道杯子相对于手、桌面和机器人身体的位置，并持续追踪。抓取过程中目标被手遮挡时，机器人要依靠此前状态和触觉继续判断。
## 控制：大脑不是一个模型
人形机器人的控制通常分层运行。最底层关节控制以很高频率调节位置、速度和力矩，像快速反射；中层负责平衡、步态、手臂轨迹和全身协调；高层才根据任务决定去哪里、拿什么、下一步做什么。
大语言模型或视觉语言动作模型适合参与高层语义理解和任务分解，却不应每隔几百毫秒直接决定电机力矩。底层控制需要确定的时限、稳定性和保护逻辑，网络延迟或模型生成波动都不能让它错过控制周期。
RT-2 等视觉语言动作研究探索把图像和语言知识映射到机器人动作。这类结果展示了跨任务迁移的可能，但具体实验所用机械臂、环境、数据和成功标准必须一起阅读，不能自动外推到双足全身控制。
## 行走：难点在每一次接触切换
双足行走不断把支撑从一只脚转到另一只脚。抬脚后支撑区域变小，地面高度、摩擦和外力稍有变化，就可能让身体状态偏离计划。控制器需要实时估计重心、动量和接触力，并在下一步落脚前修正。
稳定不等于缓慢。高速运动会带来更大冲击和惯性，过度保守又无法跨越障碍或赶上节拍。跌倒恢复同样是能力的一部分：系统要识别失稳、保护关键部件、选择安全方向，并在环境允许时重新站立。
仿真基准 HumanoidBench 把行走和全身操作放在同一测试框架中。后续研究也发现，单纯追逐稀疏任务奖励可能产生不自然动作，说明“完成了”还不足以评价稳定、能耗和动作质量。
## 双手：抓住不难，稳定完成才难
手部需要在自由度、负载、速度、耐久和成本之间妥协。五指灵巧手能适应多种形状，但控制变量更多、部件更脆弱；夹爪简单可靠，却难以使用许多人类工具。
一次抓取包含视觉定位、选择接触点、规划手臂轨迹、控制接触力、检测滑动和放置确认。长任务还会产生误差累积：开柜门成功，不代表拿取、转身、避障和关门能连续完成。
BEHAVIOR-1K 收集了一千类日常活动用于具身智能评测，研究结果指出，长时程任务和复杂操作对现有方法仍有挑战。这比单独展示“拿起一个物体”更接近真实通用性。
## 数据：机器人经验昂贵且不统一
语言模型可以从海量文本学习，机器人数据却需要实体设备、场地和人工示范。一次失败可能打断采集，甚至损坏硬件。不同机器人的关节、相机和动作空间又不一致，一台设备的经验不能原样复制给另一台。
Open X-Embodiment 汇集多家机构和多种机器人数据，尝试用统一格式训练跨形态策略。这说明共享经验有价值，也暴露了映射难题：同一个“向前移动手”的命令，在不同臂长、关节和夹具上对应不同控制量。
数据集还应记录失败、恢复和人类接管，而不只是成功片段。只学习干净演示，机器人遇到物体偏移或半途滑落时可能不知道如何回到有效状态。
## 仿真：加速练习，但不能替代现实
MuJoCo、Isaac Lab 等工具可以并行模拟大量机器人，让策略在不同摩擦、质量、光照和扰动中训练。仿真适合测试危险边界、生成稀有故障，并降低实体机器的采集成本。
但模拟器永远是近似。柔性材料、线缆、磨损、透明物体和复杂接触很难完全还原。若策略只适应模拟器的细节，就会出现“仿真到现实差距”。工程上常通过随机化参数、校准执行器模型和少量真实数据微调缩小差距。
仿真成功是进入实体测试的资格，不是部署证明。真实测试需要逐级扩大速度、载荷、环境变化和人员接近程度，并保留物理急停与安全区域。
## 评测：不要只问“成功几次”
一个任务的成功率必须配合试验次数、初始条件和失败定义。十次剪辑后的成功视频无法说明一百次连续运行的表现。还要记录完成时间、能耗、人工接管、跌倒、物体损伤、定位误差和恢复时间。
测试应分解单项能力，再组合成长链路。先测站立、受扰恢复、定位、抓取和放置，再测跨工位的完整任务；在已知物体通过后，加入位置变化、遮挡、新包装和相似干扰物。
最后使用真实生产指标：每小时合格任务数、可用时间、维护工时和每次人工介入成本。机器人动作像人不代表经济可用，动作不像人也不代表没有价值。
## 看懂演示的五个问题
观看演示时，可以问：场景是否提前布置；动作是自主、遥操作还是混合；是否经过剪辑；连续运行了多少次；失败后由谁恢复。再看任务是否改变过物体位置、光线和负载，以及现场是否只有机器人熟悉的道具。
厂商演示适合证明“这件事至少在某些条件下做到了”，学术基准适合比较方法，生产试点才适合回答稳定性和成本。三类证据各有用途，不能互相替代。
## 结语：人形只是外壳，闭环才是能力
人形机器人真正困难的地方，是感知、计划、控制和物理接触必须闭环工作。任何一层的延迟、误差或过热，都会传到下一层。大模型带来了更灵活的任务理解，却没有取消力学和实时系统的约束。
看懂一台机器人，不必记住所有参数。只要沿着身体、能源、感知、控制、数据、仿真和评测逐层追问，就能分辨一段精彩演示、一项研究突破与一套可持续运行系统之间的距离。
## 参考资料