轉自：中國電子報

長期以來，“遙操設備”成為人形機器人產業繞不開的爭議焦點。每當產業界描繪人形機器人的應用前景時，自主能力總會成為一只“攔路虎”。在不少人看來，只要“遙操設備”仍然存在，人形機器人就始終是一個“難堪大任”的大號玩具。

在近日落幕的第二屆世界人形機器人運動會（以下簡稱“運動會”）上，細心的觀眾會發現，“全自主”正在成為越來越多賽項的硬性門檻。去年曾經屢屢入鏡的遙操人員，正在逐步淡出大眾的視野。

從可選項到必選項，人形機器人正在一步步進化掉遙操設備。規則倒逼能力，賽場檢驗成色，當越來越多廠商敢于放下遙操設備、讓機器人獨立走上賽道，意味著感知、決策與控制等核心能力，正在逐步從預設動作向自主運行邁進。

從“可選項”到“必選項”

據統計，在本屆運動會的30個競技賽項中，共有23項明確規定只能以全自主方式參賽。回顧上屆賽事，除足球、自由體操、舞蹈和武術等項目外，多數項目允許參賽選手在遙操、半自動和全自主之間選擇。

在本屆運動會的新聞發布會上，北京市經濟和信息化局黨組成員、副局長、新聞發言人劉維亮將部分徑賽規則升級的原因歸結為機器人自主奔跑技術的突飛猛進。

過去一年，人形機器人在自主定位、環境感知和路徑規劃等方面取得了明顯進步。據媒體報道，在首屆運動會中，徑賽機器人主要依靠攝像頭識別跑道白線，這種技術路徑高度依賴清晰、穩定的地面標識，如果現場的光線、視角或機器人姿態發生變化，就可能造成識別錯誤，導致串道；而今年，北京人形機器人創新中心運動控制算法專家韓剛介紹，部分參賽隊伍選擇在機器人頭部安裝雷達，并在賽前建立“冰絲帶”的三維地圖，通過雷達與地圖匹配來獲得厘米級的全局定位，這成為機器人能夠自主識別跑道的關鍵技術支撐。

更大的看點在于，今年新增了乒乓球、自由搏擊等高對抗類競賽項目。這類項目的外部環境實時變化，機器人需要根據球體或對手的運動狀態，在毫秒級時間內完成感知、預測、決策和動作執行，對系統級協同能力提出了極高要求。

以乒乓球為例，機器人首先需要通過視覺傳感器捕捉高速飛行的球體，估算其速度和運動軌跡，并迅速判斷落點、選擇回球策略，進而調動手臂、手腕和軀干在合適的時機完成擊球。北京信息科技大學BiStrike戰隊隊員李天樂在接受記者采訪時表示：“完全自主決策，正是這個項目最大的難點。”

據運動會乒乓球項目技術代表吳飛介紹，今年乒乓球賽事的考驗范圍進一步擴大，由視覺識別、算法運算能力延伸到雙足快速移動、全身重心動態調節、多關節協同發力等系統協同能力。參賽的人形機器人相互對抗，除揮拍外，還要完成走位、重心調節和多關節協同等運動控制動作，所有判斷和執行均由機器人自主完成。

支撐全自主對抗的，是機器人在高速感知、軌跡預測、實時決策和全身控制等環節的協同進步。開幕式上，與奧運冠軍丁寧對打的智元遠征A3機器人，搭載了由香港大學與超維動力聯合開發的乒乓球算法。香港大學計算機與數據科學學院科研副院長、超維動力聯合創始人羅平在接受記者采訪時表示，團隊采集了超過100小時的專業運動員對打數據，用以訓練模型，并通過全身控制策略，使機器人能夠在毫秒級內完成感知、預測、決策和動作執行。在比賽過程中，機器人的“大腦”“小腦”與機器本體高效協同，從而快速完成擊球。

在網球賽場上，機器人面臨的考驗更加嚴峻。運動會開幕式上，北京銀河通用機器人股份有限公司（以下簡稱“銀河通用”）的人形機器人與網球冠軍鄭潔揮拍對弈，進行了多輪拉扯。面對高速來球，這臺機器人可自主完成位置移動、落點研判與回擊動作，實現靈活變向與網前截擊，支撐起多拍連續回合。其間，機器人曾在摔倒后立刻站起，并重新進入對戰狀態，引起現場一陣驚嘆。據銀河通用方面介紹，其自研的“銀河星腦”具身智能大模型首次將“大腦”“小腦”、神經控制集于統一模型中，可將對戰策略直接轉化為軀體運動，輸出更擬人、更流暢的回擊動作。

從徑賽到需要大小腦高度協同的乒乓球、網球展示等項目，本屆賽事所呈現的能力維度，已經由單純的運動控制擴展到動態感知、實時決策和全身協同。深圳市人工智能與機器人研究院具身智能中心主任劉少山認為，這代表機器人已經“開始從運動控制慢慢走向智能化”。這些變化背后，是視覺感知、實時決策、全身運動控制和本體硬件等多項技術的協同進步，也是機器人“大腦”與“小腦”協作能力不斷增強的結果。

“全自主”走到了哪一步？

丟掉遙操設備是否意味著機器人已經能夠擺脫對固定場景和針對性訓練的依賴，直接適應全新環境？目前答案仍是否定的。

賽場上的自主運行，建立在規則明確、環境相對標準化且經過反復訓練的基礎上，一旦場地條件、任務流程或外部干擾超出訓練范圍，機器人的感知、決策與控制能力仍可能明顯下降。正如宇樹科技創始人王興興給出的判斷，在固定場景充分訓練的情況下，機器人完成任務的成功率可以接近100%，但一旦物體、環境發生微小的變化，機器人的性能就會大幅衰減，這是當前具身智能模型普遍面臨的現實。

有記者在運動會現場注意到，在“打包入庫”和“線纜連接”兩個項目中，能夠完整達成任務要求的幾乎全部是遙操隊伍，其間曾有全自主機器人不小心碰歪了打包箱，但未能即時調整糾錯，導致后續所有藥盒都放歪，暴露出機器人在突發情況應對和反饋環節上的不足。“線纜連接”項目的靈心巧手賽隊隊員何祎介紹，團隊在機器人本體到位后進行了約一個月的數據采集和訓練，然而，賽場提供的線材比團隊訓練時使用的線材更軟，這大大增加了機器人抓取、識別和對準接口的難度。線材軟硬度的變化看似微小，卻改變了物體受力后的形態，也使原有操作策略難以直接遷移。

這些現象進一步說明，機器人已經開始從依靠人類實時控制，轉向自主完成感知、決策和執行，但這種自主仍有較為清晰的能力邊界。面對物體位置、材質和形態變化時，機器人能否發現原有策略已經失效，并在缺少人工干預的情況下重新規劃任務，仍是其從“按程序干活”走向“根據現場變化干活”需要跨越的關鍵一道坎。

與此同時，在一些項目上，“全自主”尚未貫穿任務執行的完整流程。

在徑賽方面，機器人還無法做到自主起跑和平穩制動。并且在高速奔跑狀態下，即便操作人員及時發出停止指令，部分機器人仍會因減速不及時而撞上終點緩沖擋板，進而失去平衡，重重摔倒在地。這意味著，目前徑賽中的“全自主”主要覆蓋定位、循跡和奔跑過程，距離準確捕捉并理解發令信號、瞬時狀態切換以及根據實時速度、剩余距離和地面摩擦條件自主規劃減速動作的理想狀態，仍有一些技術環節需要補齊。

第二屆世界人形機器人運動會 徑賽項目

劉少山認為，“跑得快”體現出機器人在關節功率密度、機身輕量化、動態平衡、全身控制和高速運動能力等本體能力方面的提升。而判斷什么時候起跑、如何停下，則揭示出機器人在自主研判能力、系統能力與安全性能方面的短板。

距離真正自主還有幾道坎？

從本次運動會的賽場狀況來看，場景泛化能力、自主糾錯能力、長時間穩定可靠運行的能力，是目前人形機器人走向真正自主和真實場景應用需要跨越的幾道坎。

人形機器人繼續走向更高水平的自主，首先需要練就的是跨越不同場景的泛化能力。

王興興在2026世界機器人大會上指出，泛化能力不足，是當前全球具身智能面臨的最大瓶頸。經過針對性的訓練，機器人可以在標準化環境中高效執行任務，而一旦操作物體或臨場環境發生細微的變化，模型輸出與真實物理世界之間的偏差便會導致任務成功率大幅下降，這也是目前機器人在場景賽中完成度較低的關鍵原因。

而解決這一問題的核心之一，仍在數據。王興興表示：“行業需要海量高質量的人類與真機數據，并建立由大模型編程、仿真訓練、實機測試和人機評價組成的自進化閉環。”

隨著具身智能逐步進入規模化應用階段，模型訓練對數據的規模、質量及場景覆蓋面提出了更高的要求。然而，當前具身數據的采集、處理與流通體系仍處于發展初期，能夠直接用于訓練的有效數據供給有限，與行業千萬小時量級的需求之間仍存在較大缺口。而真機數據采集成本高、積累速度慢，不僅需要機器人在真實環境中反復執行任務，還涉及設備損耗、場地搭建、人員操作和安全保障等投入，難以在短期內大量獲取。北京智源人工智能研究院院長王仲遠指出，行業正在仿真合成數據、互聯網視頻數據、穿戴設備采集人類行為數據等多條數據收集路線上并行探索。銀河通用機器人股份有限公司創始人王鶴認為：“走向通用的關鍵在于融合VLA與世界模型的世界動作模型，以及仿真強化學習、人類數據、真機回流數據共同構成的數據體系；再通過只需普通視頻、無須動作標簽的低門檻后訓練，讓各行業能夠快速把通用模型訓練成高成功率的場景模型。”

數據積累能夠拓展機器人適應不同場景的能力范圍，但現實環境中的異常情況難以被訓練數據完全覆蓋，機器人還需要建立能夠發現偏差、判斷原因并動態調整動作的自主糾錯閉環。以本次場景賽中打包箱被碰歪為例，機器人需要重新感知箱體位置，進而調整抓取姿態、運動軌跡和后續操作。整個過程涉及狀態感知、結果判斷、原因分析和動作重規劃，任何一個環節缺失，都可能引發“蝴蝶效應”，進而導致任務失敗。

而想要實現自主糾錯，首先要依賴更加豐富的感知反饋。意大利錫耶納大學教授、WEART公司聯合創始人Domenico Prattichizzo在2026世界機器人大會上表示：“人形機器人要完成精細操作，不能只依靠視覺，必須獲得力、觸覺和溫度等反饋。”IEEE機器人與自動化學會主席Nancy M.Amato也指出，當機器人進入復雜、長期和非結構化環境后，核心挑戰將轉向如何進行任務規劃與協同，并將全局結構化規劃與局部反應式協調結合起來。

此外，更高水平的自主性還要經受長時間運行的可靠性考驗。劉少山認為，當前需要重點提高機器人長時間運行的可靠性等能力，并建立覆蓋感知、決策、計算和執行全過程的安全機制。他指出，機器人能夠以很快的速度完成百米比賽，并不意味著它已經可以在工廠里穩定工作8個小時。當運行時間不斷延長，電量下降、關節和電機溫升、機械部件磨損、傳感器漂移以及通信和算力波動，都可能造成感知精度下降、動作變形甚至任務中斷，任何局部故障都可能沿著連續任務鏈條向后傳遞。

去年，人形機器人還在賽場上跌跌撞撞；今年，機器人就已經在跑道上多次突破人類世界紀錄。人形機器人的進化速度超乎想象。

明年，又會是什么樣的一番景象呢？

延伸閱讀：