人形機器人技術(shù)的進展、實踐與挑戰(zhàn)

2024 年4 月，由中國機器人網(wǎng)、智能谷產(chǎn)業(yè)園主辦的“2024 中國人形機器人生態(tài)大會”在上海舉行。會上，褚君浩院士^[1]和孫立寧院士^[2]對人形機器人的傳感和控制技術(shù)做了介紹，隨后，浙江大學(xué)的熊蓉教授分享了其觀察和實踐。

本文主要介紹了熊蓉教授多年來的科研成果，包括三部分：①人形機器人的發(fā)展背景與意義，②核心關(guān)鍵技術(shù)研究進展，③發(fā)展趨勢與挑戰(zhàn)。

熊蓉教授是浙江大學(xué)控制科學(xué)與工程學(xué)院教授、博士生導(dǎo)師，浙江大學(xué)智能系統(tǒng)與控制研究所機器人實驗室主任。

1   人形機器人的發(fā)展背景與意義

人形機器人原來有很多的稱呼，過去習(xí)慣于稱為“仿人機器人”，但是這兩年明確定義為是“人形機器人”。

1.1 人形機器人的特點

常規(guī)的機器人是模仿人的部分或全部功能和智能；但是人形機器人更強調(diào)類人的形態(tài)，這種類人的形態(tài)使它能夠適應(yīng)人類為自己建造的環(huán)境，使用人類為自己設(shè)計制作的工具，并且能夠有更好的人機交互。所以它具有更強的通用性。這種通用性使它能夠無縫地轉(zhuǎn)換人類現(xiàn)在所從事的一些工作，所以它是一個未來的重大的產(chǎn)業(yè)。

人形機器人屬于專用型的機器人，能力是超越人類的：會有更強的負載，更快的工作的節(jié)拍，更高的精度，更強的一致性。

但是現(xiàn)在這種專用的人形機器人還是無法實現(xiàn)的——還需要給它們布置專屬的環(huán)境，但是未來有望融入到人類生活的方方面面。這種類人的形態(tài)可以直接實現(xiàn)與人的無縫替換，所以具有更加廣闊的市場。

1.2 市場預(yù)測與布局

國內(nèi)外做了非常樂觀的市場預(yù)測，例如高盛近期的市場預(yù)測樂觀度進一步提高了，認為如果能夠克服產(chǎn)品設(shè)計、用例、技術(shù)、成本及廣泛公眾接受度等障礙，到2035年人形機器人市場規(guī)模將達1,520億美元，與電動汽車市場旗鼓相當(dāng)。馬斯克預(yù)測智能人形機器人將超越人類數(shù)量，市場規(guī)模將達萬億級。

這兩年一些國內(nèi)外的產(chǎn)業(yè)界巨頭開始布局人形機器人的賽道，從整機到核心零部件，從里面的智能控制器到智能計算等。

總體來看，人形機器人已進入了一個新的突破窗口期：從實驗室的樣機研發(fā)，進入到了產(chǎn)品的樣機以及未來產(chǎn)業(yè)化發(fā)展的早期階段。

我國也非常重視人形機器人的發(fā)展，已經(jīng)上升為國家戰(zhàn)略性新興技術(shù)和產(chǎn)業(yè)方向。我國從2022 年就開始了相關(guān)的發(fā)展論證，2023 年工信部先后出臺了揭榜掛帥的項目^[3]，以及《人形機器人創(chuàng)新發(fā)展指導(dǎo)意見》。在今年1 月，工信部等7 部門發(fā)布了《關(guān)于推動未來產(chǎn)業(yè)創(chuàng)新發(fā)展的實施意見》里，“創(chuàng)新標志性產(chǎn)品”的第一個就是人形機器人。

2   浙大的研發(fā)實踐

2.1   人形機器人的關(guān)鍵技術(shù)

人形機器人并不是今天才有的系統(tǒng)，早在上個世紀六十年代就推出了第一臺雙足行走機器人。

人形機器人一直以來都被認為是機器人領(lǐng)域中的一個技術(shù)競爭制高點，是國與國之間競爭的科技的顯示點。其主要難點在于三方面（如表1）。

表1 人形機器人的主要挑戰(zhàn)

首先，它幾乎是機器人和人工智能（AI）技術(shù)的集大成者，涉及了機器人技術(shù)的方方面面，并且整個系統(tǒng)的復(fù)雜性也導(dǎo)致了整機系統(tǒng)的研制是一個具有很高挑戰(zhàn)性的問題。

除了整機，還需要融合各個部件的功能、性能、材料等，同時也對這些部件提出了高要求，例如關(guān)節(jié)要求力矩大、速度快、體積小、重量輕、高功率密度等。

第二，這個系統(tǒng)是本質(zhì)不穩(wěn)定的系統(tǒng)。例如人有時單腳支撐，如果跑步可能雙腳騰空，可見人的足和地面接觸的空間和時間有時候非常少，人的穩(wěn)定控制會發(fā)生在這樣的一個小空間和時間段里，但對于人形機器人來說，這種穩(wěn)定控制很難。因此，盡管現(xiàn)在很多機器人實現(xiàn)了穩(wěn)定的行走，但是不能到一個真實的環(huán)境里去適應(yīng)各種環(huán)境的擾動，例如去適應(yīng)在作業(yè)過程中，由于手臂的用力而帶來的擾動，同時能夠去保證它的穩(wěn)定性以及作業(yè)的準確性。

第三，作為一種通用的形態(tài)，它必須能在各種環(huán)境里去執(zhí)行各種任務(wù)，這就對它的智能性提出了高要求，這也是AI 領(lǐng)域中的一個重要的發(fā)展目標——能夠向通用AI 發(fā)展。

在工信部的《人形機器人創(chuàng)新發(fā)展指導(dǎo)意見》里明確的一個思想是以應(yīng)用來牽引，然后通過整機來帶動整個生態(tài)的發(fā)展。其中有幾個核心，一是包括整機和部件，還有小腦、大腦，以及要去支持其開發(fā)的供應(yīng)鏈和工具鏈，由此來形成整個的行業(yè)應(yīng)用和生態(tài)建設(shè)（如圖1）。

圖1 對《人形機器人創(chuàng)新發(fā)展指導(dǎo)意見》的部分解讀圖

2.2 研發(fā)歷程

熊蓉教授團隊是從2000年開始進行機器人研究的，關(guān)注的是機器人的智能性，包括智能移動和操作。2006年時看到了人形機器人是技術(shù)的集大成者和其挑戰(zhàn)性，開始了對人形機器人的研發(fā)。

2006 年后主要以參加RoboCup 比賽的機器人為平臺進行技術(shù)積累，包括了機器人的設(shè)計制作，涵蓋運動控制、平衡控制以及集成了單目視覺來進行實時的定位、規(guī)劃、各種運動的實時生成。該平臺在國際比賽上獲得了4 次亞軍，在國內(nèi)獲得了多次冠軍。

1）打兵乓球機器人

2008—2011 年，熊蓉教授團隊在國家863 項目的支持下，研制了兩個能夠跟人或者是雙機器人進行乒乓球?qū)Υ虻娜诵螜C器人（圖2）。這里除了選擇合適的形態(tài)及部件集成，更主要的還解決了智能的視圖控制。這堪稱國際上第一個能夠在線動態(tài)視圖控制快速飛行的球并擊打的人形機器人，包括能夠基于視覺對球進行準確的檢測、定位以及對整條軌跡的預(yù)測。其用5 幀的數(shù)據(jù)來實現(xiàn)小于4 ms 的時間誤差和小于1 cm 位置誤差的整條軌跡的預(yù)測，然后在線做全身的運動規(guī)劃——這是一個冗余自由度的在線規(guī)劃，并且去解決在手臂擊球的加速度下會造成身體的不穩(wěn)定，如何進行平衡控制來保持穩(wěn)定，以及它的準確擊球。

圖2 打乒乓球的人形機器人

2011 年10 月成果發(fā)布后，它得到了國內(nèi)外的廣泛關(guān)注。但是該系統(tǒng)還有一些問題尚待解決，例如行走速度和穩(wěn)定性還有問題——它只能實現(xiàn)1.2 km/h 的行走，并且只能在平整地面上行走；在打球時，因為行走的速度跟不上，主要是站立打球，用下肢來做平衡控制。

2）快速穩(wěn)定行走的人形機器人

所以從2012 年起，熊蓉教授團隊主要研究在室內(nèi)外能夠快速穩(wěn)定行走的人形機器人，包括能夠立位混合控制的關(guān)節(jié)、腿，以及全身協(xié)調(diào)的立位混合控制。2022年時，新的人形機器人能夠?qū)崿F(xiàn)在室內(nèi)外快速穩(wěn)定地行走，包括適應(yīng)各種地形。

●   部件/ 關(guān)節(jié)的研制。涵蓋高功率密度的電機，更大減速比的行星減速器，以及做成高集成性的一體化關(guān)節(jié)。

●   運動建模和控制。目前國際上對人形機器人行走的運動控制有三條技術(shù)路線（圖3）。一種是從機理出發(fā)的，對整機進行運動學(xué)和動力學(xué)的建模，然后設(shè)計其穩(wěn)定規(guī)則，來進行它的規(guī)劃控制。第二種是像特斯拉所展示的，把人的運動如何直接映射到機器人上面，使它能夠產(chǎn)生更加擬人化的動作。第三種是針對機理模型控制，這需要大量的挑戰(zhàn)，非常依賴于模型的準確性，對于復(fù)雜環(huán)境的適應(yīng)性需要人工的介入——如何去提高它的魯棒性，而研究強化學(xué)習(xí)的方法。

熊蓉教授團隊在這三個方面都開展了一些工作。

例如，在“強化學(xué)習(xí)”方面，2020 年時，他們在四足機器人上首先做了一項工作，通過強化學(xué)習(xí)去生成各種動作，例如生成各種基本步態(tài)，然后再把基本步態(tài)融合，形成對于陌生環(huán)境的適應(yīng)性，能夠自動選擇步態(tài)的組合。今年年初，他們又把這種方法延伸到了人形機器人上，以實現(xiàn)對不同地面的適應(yīng)。

圖3 行走運動控制的技術(shù)路線

在模型學(xué)習(xí)“人機映射”學(xué)習(xí)方面，如何把人的復(fù)雜動作快速映射到機器人上？最初是把人的手與上肢的動作映射到一臺機器人上。

這里主要解決了兩點。傳統(tǒng)的最優(yōu)化的映射比較依賴初值（需要人工給較好的初值），而且只能實現(xiàn)一些簡單的動作，需要的優(yōu)化時間較長。他們把最優(yōu)化和目前火熱的深度學(xué)習(xí)結(jié)合后，提出了圖形神經(jīng)網(wǎng)絡(luò)下的最優(yōu)化的學(xué)習(xí)方法，其優(yōu)勢是：①大幅提升了動作的相似性，而且可以保證可執(zhí)行性和安全性；②最主要的是實現(xiàn)了時間上的大幅提升，能夠快速地把人的各種運動映射到機器人上。

3）語義保持

在利用最新AI技術(shù)方面，他們利用語言和視覺大模型去進一步提升動作的語義保持。例如讓它指胸口，不能映射以后指到脖子或腹部；讓它指鼻尖，就必須是鼻尖。所以通過這種跟新的AI 技術(shù)的結(jié)合，可以實現(xiàn)語義保持，并且能夠快速遷移到新的架構(gòu)上。

4）關(guān)節(jié)壞了仍能行走

另外，足式機器人不可避免地會有一些關(guān)節(jié)出現(xiàn)故障。能否讓它有一定的自適應(yīng)性，依然保持一定的作業(yè)能力？熊蓉教授團隊的成果是：假定在四足機器人上面任意一個關(guān)節(jié)壞了，給它一個鎖定，四足機器人依然能保持直線行走。

5）機器人智能

熊蓉教授團隊的工作更多地還是放在了機器人智能上，從2000年開始在這方面去做了大量的工作。

6）總體設(shè)計思想

總體思想是：如何從傳統(tǒng)的封閉、靜態(tài)的環(huán)境里，走向具有一定未知性和動態(tài)開放的環(huán)境里，讓它能夠長期自主魯棒地工作；以及從依賴人工離線編寫的程序，到具有自適應(yīng)、自學(xué)習(xí)、自進化、自發(fā)育的能力，以逐步適應(yīng)更加豐富的環(huán)境和更加多樣化的作業(yè)（圖4）。

圖4 機器人的技術(shù)發(fā)展目標

在這些方面，熊蓉教授團隊也發(fā)表了一系列的論文。

7）智能移動技術(shù)。

對機器人的長期準確的定位和導(dǎo)航方面做了一些工作，也得到了專家院士的認可，現(xiàn)在一些技術(shù)已經(jīng)在多個領(lǐng)域里有應(yīng)用驗證，例如變電站的巡檢機器人，制造業(yè)里的新型AMR（自主移動機器人），四足機器人在復(fù)雜地形下對人的跟隨等。熊蓉教授團隊的成果也實現(xiàn)了產(chǎn)業(yè)的轉(zhuǎn)化落地，孵化了“迦智科技”去做新型的物流機器人，目前已經(jīng)在制造業(yè)里大規(guī)模應(yīng)用。

8）智能操作技術(shù)

開放場景高效行為的決策

* 有參照人的裝配工作

自從2012 年完成了打乒乓球的機器人之后，熊蓉教授團隊又面向如何能夠去操作更多的對象研究。其中一項工作是對于序列性的作業(yè)，能否讓人能夠去展示，然后直接來生成機器人的程序。

即機器人首先對人的動作進行理解，解析出用什么樣的動作，操作了什么樣的物體，達到了什么樣的效果，并且要去解決從感知誤差到執(zhí)行精度要求之間的差距。人類的感知誤差往往是毫米級的；而熊蓉教授團隊的機器人的執(zhí)行精度在0.1 毫米級量級。這需要能夠?qū)崿F(xiàn)準確的對未知的推理，然后實現(xiàn)程序的自動生成。熊蓉教授團隊實現(xiàn)了不同的動作，例如手電筒的開關(guān)，包括機器人關(guān)節(jié)對人的行為學(xué)習(xí)以后，用幾分鐘的時間來生成動作。

* 在開放性的環(huán)境里

實際上很難有人的這種參照，需要機器人能夠去自主決策。

在這里，當(dāng)有一個長序列的行為，例如要抓藍色的木塊，但是它有堆疊時抓不到，需要通過推、挪等動作快速地抓到。

再例如很多時候?qū)δ繕宋恢檬怯蟹胖靡蟮模莵砹贤请S機的，怎樣去調(diào)整它的中間狀態(tài)？原來我們都是要依靠人來編程序，把它做一個指定的位置調(diào)整，來保證它最后的實現(xiàn)。但在開放場景里，如何讓機器人能夠自動地生成中間的行為和中間的狀態(tài)？

從學(xué)習(xí)的角度來看，最終目標是明確的，但是中間的目標不明確，因此它也很難來得到數(shù)據(jù)的正確反饋，即正確的數(shù)據(jù)是稀疏的。熊蓉教授團隊在這方面解決了中間的評價器，以及能夠去快速學(xué)習(xí)的問題。進一步地，對于一些開放混雜的場景，需要更多地去適應(yīng)各種各樣的物體，為此，熊蓉教授團隊也引入了語言大模型和視覺大模型。

但是大模型是通過大量數(shù)據(jù)訓(xùn)練形成的，雖然包含了各種各樣的物體，但是還有可能檢測不了一些物體，也會存在當(dāng)物體堆疊在一起的時候，檢測和定位的準確性可能較低，導(dǎo)致機器人執(zhí)行的失敗。

在此情況下，怎樣讓機器人通過它的行為逐步收斂到一個正確的結(jié)果里？熊蓉教授團隊就提出了把語言大模型、視覺大模型和機器人操作的模型去融合學(xué)習(xí)，實現(xiàn)了在這種混合場景下的操作，最后來完成工作。

通過這樣一系列的從強化學(xué)習(xí)，從語言視覺大模型以及與模仿學(xué)習(xí)的結(jié)合，可以讓機器人來完成桌面的整理。初始它可能是非常混雜的，告訴機器人目標要求后，機器人會進行長序列的規(guī)劃生成，最后來達到指定的要求。

9）伺服控制

與此同時，熊蓉教授團隊在機器人的伺服控制里也做了一系列工作。因為傳統(tǒng)的方式是先人為編好一個最優(yōu)化的目標約束，然后去進行伺服的求解控制。但是這種傳統(tǒng)方法對于場景變化還是有一定的局限性。而熊蓉教授團隊采用學(xué)習(xí)的方法會發(fā)現(xiàn)，它其實也是非常依賴于數(shù)據(jù)的，如何去讓它真正地具有泛化性？為此，熊蓉教授團隊提出了一種無模型的方法，能夠?qū)崿F(xiàn)它的端到端的伺服控制，包括能夠去適應(yīng)姿態(tài)的變化、背景的變化，以及能夠去適應(yīng)這種場景的傳感器（例如在應(yīng)用的過程中不小心把傳感器碰動了——它的外參變化了，在這樣的擾動下，它是不是依然能夠去適應(yīng)？），以及如何去讓它適應(yīng)各種場景里的紋理。

●   力控插拔

熊蓉教授團隊也做了力控方面的工作，目前實現(xiàn)了一個軸孔配合容差小于0.1 mm 的高精度的插拔，用1 h的訓(xùn)練、通過2 萬次測試后達到了99.99% 的成功率。相比之下，DeepMind 用8 h，成功率99.98%。而且它具有泛化性，能夠去適應(yīng)不同的接口，包括光模塊、新能源車的充電口以及IT 設(shè)備的USB 口等。對于這些復(fù)雜的形狀，人的操作也要花很多時間，而這種機器人的執(zhí)行速度能夠高于人的速度。

另外，熊蓉教授團隊對人形機器人的移動和操作的協(xié)作，以及人- 機的協(xié)作開展了一系列的研究。

●   手腿協(xié)調(diào)

今年3 月，在浙江省寧波市政府的支持下，“浙江人形機器人創(chuàng)新中心”正式啟動了，也推出了首代產(chǎn)品——領(lǐng)航者1 號，這是在他們前面的基礎(chǔ)上進一步做了一些優(yōu)化改進。同時也更強調(diào)賦予它“類人學(xué)習(xí)”和“操作”能力。

目前行走已完成了在室內(nèi)平整地面的測試，也會進一步去驗證之前在“悟空4”上面所實現(xiàn)的對各種地形的適應(yīng)。但是這一代會更去強調(diào)動作的擬人性，例如能否讓它站起來一點兒，不要老是彎著腿。另外，因為設(shè)計時沒有考慮手會和腿碰觸，所以在走路的時候還是把兩個手舉在那里，來保證它不會產(chǎn)生干擾。所以這些都是下一代產(chǎn)品需要去進一步優(yōu)化改進的地方。

在前面的基礎(chǔ)上，正在思考把熊蓉教授團隊的這種機理模型和模仿學(xué)習(xí)怎么去結(jié)合起來，能夠快速地實現(xiàn)。他們過去還是做的仿真，現(xiàn)在打通了仿真到實物的這條通路，實現(xiàn)了從人到仿真到實物的回路，以期實現(xiàn)把人的動作快速映射到機器人上面。

另外，現(xiàn)在也正在結(jié)合強化學(xué)習(xí)，讓它適應(yīng)各種場景——在執(zhí)行各種動作的過程中，依然能夠保持平衡控制——這還是屬于概念性的，是正在做的研發(fā)。

10）倒水添茶和插插頭

熊蓉教授團隊在前面對于環(huán)境物體的檢測識別以及行為決策規(guī)劃基礎(chǔ)上，做了一個集成的demo（圖5），它能夠去倒水添茶，包括人喝完以后它能夠自動地檢測到，然后完成添茶的工作。人放回去的茶杯也是可以任意放置的，機器人會有算法對物體進行檢測以后進行一個精確的定位，然后來進行它的行為的決策和規(guī)劃控制。

圖5 端到端的自動加水

熊蓉教授團隊也把前述的對各種動態(tài)的適應(yīng)性做了一個演示，例如機器人可以去抓插頭，并插到插座上。

插座可以任意地放置，機器人會實現(xiàn)動態(tài)的跟蹤。

關(guān)于速度，考慮到定位的精確性，整個速度還是比較慢的。下一步將會提高它的節(jié)拍，以滿足生產(chǎn)上的高節(jié)拍要求。

同時，也把作業(yè)的能力通過跟持續(xù)進化結(jié)合起來，從原來的0.1 mm 的精準對接，現(xiàn)在能夠?qū)崿F(xiàn)0.03 mm的對接（USB 的定位精度在0.1 mm 左右）。這也是通過自主學(xué)習(xí)的方式來實現(xiàn)的。

熊蓉教授團隊也研發(fā)了一個“靈巧手”，能夠?qū)崿F(xiàn)更快速度的操作，下一步希望能夠去提升其魯棒性。

3   發(fā)展趨勢與挑戰(zhàn)

真正的人形機器人要用到實際的場景里，形成一個產(chǎn)品，還有很多挑戰(zhàn)。

作為一個產(chǎn)品，要實現(xiàn)高可靠、高性能、低成本。

1）亟需高性能、高可靠、低成本的核心零部件

整機的可靠性需要進一步提升，成本要降低，這依賴于核心零部件。核心零部件雖然現(xiàn)在很多，但是還有發(fā)展空間。例如動力部件的功率密度與人形機器人真正實現(xiàn)靈巧運動還有一定差距。也許力矩、速度足夠了，但是體積、重量太大，使人形機器人比較笨重、有一定的威脅感。傳感器也一樣，如何在小體積下做到高精度和高動態(tài)響應(yīng)，也是面臨的問題。

除了產(chǎn)業(yè)界在做，學(xué)術(shù)界也在探索一些新的驅(qū)動機理方法，有可能會形成下一代變革性的方法。

2）運動控制

人形機器人要實現(xiàn)各種靈巧的運動作業(yè)，運動控制是一個非常重要的基礎(chǔ)。

現(xiàn)在已經(jīng)有了很好的基礎(chǔ)，各種技術(shù)路線也有突破，能夠去展示一定的能力。但是它對作業(yè)對象的適應(yīng)性、環(huán)境的適應(yīng)性還是非常有限的。如何去把機器人、環(huán)境、任務(wù)融合起來，如何把現(xiàn)在的三條技術(shù)路線真正地去打通和推動，也依然是需要探索的。

3）人工智能

目前大模型非常熱，但是如果真正把大模型部署到機器人/ 某一環(huán)境里，會發(fā)現(xiàn)還有很多局限性。例如端茶倒水的，熊蓉教授團隊也想到用大模型去做，結(jié)果發(fā)現(xiàn)放一套茶具上去，有可能檢測不出來，哪怕把茶具分開了，也檢測不出來。

可見，現(xiàn)在的大模型依然依靠“見過”的數(shù)據(jù)，有一定的泛化能力，但是距離真正的泛化能力還是有一定的距離。

大模型是人的多元智能里的“基礎(chǔ)知識”的一部分，它賦予了語言智能、空間智能、邏輯推理的智能。但是機器人是在一定環(huán)境里去工作的，也是現(xiàn)在AI 提的具身智能（圖6）。

圖6 人的多元智能

實際上，機器人專家一直在做具身智能的研究，讓機器人能夠去適應(yīng)各種環(huán)境條件，自我監(jiān)測，人- 機自然友好地交互協(xié)作。

之前沒有大模型時，機器人專家往往也在把一些AI技術(shù)結(jié)合進來，人為定義一些知識庫、規(guī)則等?，F(xiàn)在有了大模型，相當(dāng)于給機器人的專家提供了一個更好的基礎(chǔ)模型支持。但是這個模型里還有很多不足，甚至有錯誤，如何融合到機器人里，實現(xiàn)它真正能夠作業(yè)的具身智能，也是現(xiàn)在要去研究探索的。

同時，相信具身智能的研究也會反過來去推動大模型，使其更加準確。

參考文獻：

[1] 迎九.褚君浩院士:人形機器人的感知發(fā)展與探索.EEPW,2024(6):1-5.

[2] “人形機器人”的智能感知與控制技術(shù).EEPW,2024(7):22-25.

[3] 工信部.關(guān)于組織開展2023年未來產(chǎn)業(yè)創(chuàng)新任務(wù)揭榜掛帥申報工作的通知.(2023-9-13).

（本文來源于《EEPW》202408）