人形机器人

人形机器人是指身体整体构型或躯干、手臂、手、头部等主要部分类似人体的机器人。人形机器人的设计既包括具有完整身体的双足机器，也包括安装在固定支架或其他移动平台上的上半身系统。类似人体的结构使它们能够使用为人设计的工具，并在为人设计的工作空间内作业，但这并不一定意味着它们具有逼真的外观或能够自主运行。例如，美国国家航空航天局（NASA）的 Robonaut 就将仿人手臂和手与不同的支撑结构及移动装置相结合。(nasa.gov)

人形机器人技术融合了机械设计、传感、控制理论和人工智能。其核心工程问题包括保持平衡、协调运动与操作，以及在不断变化的物理条件下可靠地行动。相关研究既涵盖基于模型的方法，也涵盖通过学习获得的行为，包括将强化学习用于移动控制。人形机器人还为具身认知和人机交互研究提供了实验平台。(arxiv.org)

该领域的发展历程包括早稻田大学于1973年研制的 WABOT-1、本田于2000年推出的 ASIMO，以及2015年 DARPA 机器人挑战赛中的灾害应对任务。其应用范围涵盖科学实验、太空机器人技术，以及已有记录的物流领域部署。要理解这些机器，就必须区分已经展示的能力与设想中的用途，并结合具体环境和任务评估其安全性，而不能仅凭其类似人类的外形作出判断。(humanoid.waseda.ac.jp)

定义、界限与设计依据

人形机器人是指身体布局大体类似人类的机器人，通常具有躯干、双臂和头部，有时还配有双腿。这种相似性既涉及形态，即身体各部分的位置和关节连接方式，也涉及功能组织方式，例如用手臂和手去触及并操纵物体。人形机器人并不一定要有逼真的皮肤、符合人体的比例，或复制人体的每一个关节。美国国家航空航天局（NASA）的 Robonaut 就体现了这一区别：它的头部装有视觉设备，计算机则位于躯干内；其类人的身体布局是为了便于操作物体，而非模仿人体解剖结构。(nasa.gov)

人形机器人涵盖多种构型。全身人形机器人将拟人化的上半身与两条具有关节的腿结合起来；上半身人形机器人则可以固定在底座或其他支撑结构上。人形移动操作机器人将类人的上半身与移动底盘结合，移动方式不一定是双足行走。这些描述相互重叠，并非彼此排斥的类别。Robonaut 2 最初是一套安装在支柱上、仅有躯干的系统，NASA 于 2014 年为其增添了带有两条攀爬腿的移动平台。早期的 Robonaut 研究还探索过将上半身安装在轮式底盘上的方案。因此，没有用于行走的腿，并不意味着某个平台就不属于人形机器人；而搭载普通工业机械臂的移动底盘，也不一定就是人形机器人。(nasa.gov)

几个相关类别所描述的特征各不相同。仿真人机器人强调逼真的人类外观，在一些研究中也强调类人的动作：石黑浩的仿真人机器人科学研究，明确以外观和动作都与人类高度相似的机器为研究对象。相比之下，社交机器人的界定依据是其与人的互动方式，而不是身体构型；海豹形机器人 PARO 就是一个非人形的例子。动力外骨骼由人穿戴，通过机械作用辅助、阻碍或以其他方式改变穿戴者的运动，而不是一台独立的人形操作机器人。NASA 利用源自 Robonaut 2 的技术开发的 X1，就是这种可穿戴构型的实例。(tandfonline.com)

采用人形构型的一个主要工程依据，是使机器人能够兼容现有的、围绕人体设计的工具和操作界面。类人的手臂位置、伸展范围和抓握几何结构，可以使机器人使用设备，而不必重新设计每一个把手或工具。NASA 和通用汽车将使用人类工具列为 Robonaut 2 的一项设计要求。它的每只手都有 12 个自由度，分布在五根手指上；开发人员将部分组件置于前臂内，为手指和手掌中的传感装置留出更多空间。其目的在于实现实用的抓握和可控的工具操作，而不仅仅是塑造一个一眼可辨的人形轮廓。这一设计依据也允许机器人有选择地偏离人体结构：类人的上半身可以保留对工具的兼容性，同时采用轮式底盘或专门的攀爬肢体来移动。(nasa.gov)

形态、自主性和预定用途是彼此独立的特征。“人形”指的是身体构型，并不代表某种特定的人工智能水平，也不保证机器人具备通用能力。NASA 介绍，Robonaut 既支持由软件控制的任务执行，也支持远程操作。在前一种模式下，操作人员指定任务，由软件确定相应的动作；在后一种模式下，操作人员通过头戴式设备查看摄像头画面，并使用控制装置指挥机器人运动。因此，同一副类人的身体，既可以作为自主执行任务的平台，也可以作为人类操作人员的远程延伸，而不改变其形态分类。(nasa.gov)

历史发展与里程碑式平台

早在电子机器人问世前几个世纪，就已出现了人形自动机械装置。留存至今的实例包括皮埃尔·雅克德罗、其子亨利-路易以及让-弗雷德里克·莱肖于1768年至1774年间制作的“书写者”“绘图者”和“音乐家”。这些装置由发条机构提供动力，通过凸轮设定动作；其中，“书写者”可经设置书写一段四十个字符的文字。这些机器能够再现复杂的人类表演，但其以机械方式预设的动作序列，不同于后来人形机器人所集成的基于传感器的感知和反馈控制。(mahn.ch)

1970年，日本早稻田大学的四个实验室组成了一个生物工程研究小组，并启动了WABOT项目。1973年完成的WABOT-1是一台真人尺寸的仿人机器，集成了肢体控制、视觉和对话系统。它能够用双腿行走，以日语交流，并通过感知系统测量物体的距离和方向。配备触觉传感器的双手使它能够抓取和搬运物体。它的历史意义在于将移动、物体操作和交流功能整合到同一个实验平台中，而非展示与人类相当的通用智能。(humanoid.waseda.ac.jp)

1980年至1984年间研制的WABOT-2则刻意专注于一项专门任务：演奏键盘乐器。它的视觉系统能够读取普通乐谱，并可在电子管风琴上演奏中等难度的曲目。它还能够与人交谈，并为人的歌唱伴奏。早稻田大学明确将这台“专用机器人”与设计目标更为广泛的WABOT-1区分开来。音乐演奏提供了一项具体任务，将感知输入与协调的肢体动作联系起来，而不只是重放机械预设的固定动作序列。(humanoid.waseda.ac.jp)

本田于1986年开始研究人形机器人，最初专注于双足行走，随后才将腿部、手臂、机载计算系统和电源整合起来。1996年12月公布的P2高1.82米，重210千克。其躯干内部装有计算机、电机驱动装置、电池和无线通信设备，使它无需外接线缆即可行走、上下楼梯和推车。1997年9月完成的P3通过改进材料和控制架构，将身高降至1.60米，体重减至130千克。这些相继推出的平台确立了一条从实验性行走机构走向更小型、自成一体的人形机器人的发展路线。(global.honda)

2000年11月20日，本田在东京发布了ASIMO。最初的版本高1.20米，重43千克，拥有26个自由度，最高行走速度为每小时1.6千米。其预测运动控制技术能够预判后续动作并相应调整身体重心，从而实现平顺转向。行走和手势指令可以通过工作站或便携式控制器下达，因此不应将这项演示等同于不受限制的自主行为。(global.honda)

波士顿动力公司的Atlas于2013年7月11日首次公开亮相，作为美国国防高级研究计划局（DARPA）机器人挑战赛的参赛平台。DARPA向入围团队提供了七台机器人平台，由各团队开发各自的软件和操作员界面。Atlas最初依赖外接线缆供电和通信；在2015年6月5日至6日于加利福尼亚州波莫纳举行的决赛前，它经过升级，实现了机载供电和无线操作。比赛任务在人类监督下进行，包括在通信受限的条件下开门、操作阀门、使用工具和穿越复杂地形。这一液压驱动研究系列必须与2024年4月推出的全电动Atlas区分开来；当时，波士顿动力让此前的液压版本退役，并宣布推出一款重新设计、面向工业应用的平台。(darpa.mil)

机械结构、驱动与供能

人形机器人的骨架通常建模为由关节连接的多个刚体构成的分支结构：躯干连接两条手臂、两条腿和头部，有时还通过额外的腰部关节连接。转动关节提供绕轴旋转的运动；通过组合多个转轴，可以近似实现肩、髋、腕和踝的运动。机构的内部自由度由独立关节坐标的数量决定，而不是简单地由电动机的数量决定。冗余是相对于任务而言的：在控制手部的六维位置和姿态时，七关节机械臂通常具有一个额外的自由度。这使肘部可以在手部保持固定的情况下移动，有助于避开障碍物或关节限位，但并不意味着手部能够到达所有位姿。连杆长度、关节活动范围和自身碰撞仍会限制运动。例如，美国国家航空航天局（NASA）的 Valkyrie 每条手臂有七个关节，全身共有 44 个自由度。(hades.mech.northwestern.edu)

电驱动将电动机与传动机构相结合，通常采用减速齿轮传动，以降低转速来增大关节转矩。理想情况下，减速比 $N$ 会将电动机转矩放大至 $N$ 倍，同时将输出转速降至原来的 $N$ 分之一；实际传动机构则会引入摩擦和损耗。较大的减速比允许使用较小的电动机，但也会使电动机折算到关节端的惯量按 $N^2$ 的比例增大，使外力更难反向驱动机构。低减速比驱动可以减轻这一效应，但需要能够输出更大转矩的电动机。液压执行器则利用加压流体和受控阀门，提供了另一种无需大减速比即可获得较大关节作用力的途径。波士顿动力公司先后采用的 Atlas 架构体现了这种区别：该公司于 2024 年 4 月停用了液压平台，并推出全电动替代版本，称其具有更大的运动范围。(fab.cba.mit.edu)

关节刚度不一定等同于结构刚性。串联弹性执行器有意在驱动端与负载之间设置弹性元件；通过测量弹簧变形，可以估算所传递的转矩，而弹簧也能减轻齿轮传动所承受的冲击载荷。麻省理工学院的 Cog 人形机器人在手臂中采用了这种结构，Valkyrie 则同时使用了旋转式和直线式串联弹性执行器。转矩控制通过反馈调节关节的驱动力或驱动力矩，而不只是指定位置。低摩擦驱动机构可以根据电动机电流估算驱动力矩；采用大减速比的系统则可能改用输出端转矩传感。因此，柔顺性取决于机械弹性、传动特性和控制系统的共同作用。(groups.csail.mit.edu)

负载能力不仅取决于执行器的额定参数，还取决于姿态和加速度。对于静止负载，其重力对关节转矩的贡献为 $mgd$，其中 $d$ 是关节轴线到负载重力作用线的垂直距离；因此，伸长手臂会增大托住同一物体所需的转矩。运动过程中，连杆惯量和加速度还会提出额外要求。功率更强的电动机、更大的轴承和经过加强的传动机构能够提高负载能力，但也会增加质量，使其他关节需要支撑和加速更大的重量。齿轮轮齿及其他传动部件还必须承受冲击载荷：较大的减速比会增大折算惯量，并可能放大齿轮传动所承受的冲击力。(manipulation.csail.mit.edu)

机载供能系统在能量、电功率和热方面各有独立的限制。电池能量通过 $t \approx E_{\mathrm{usable}}/P_{\mathrm{average}}$ 决定大致的续航时间，但并不能说明电气系统是否能够满足短时峰值负载的需求。NASA 列出的 Valkyrie 电池能量为 1.8 千瓦时，并说明其依靠电池可运行约一小时，同时也支持外部供电。NASA 的一份电池介绍资料还分别列出了其两条电源总线的持续放电电流上限，说明能量容量和可输出功率是不同的指标。电动机发热构成了另一项限制：电阻损耗随 $I^2R$ 增长，因此，即使关节静止、机械输出功率为零，持续输出转矩仍可能产生大量热。因此，散热能力和允许温度会独立于电池剩余电量，对持续输出的驱动力或驱动力矩构成限制。(nasa.gov)

传感、感知与状态估计

人形机器人将内部测量（即本体感知测量）与外部观测（即外部感知观测）相结合。关节编码器测量角位置；关节速度则可由连续读数推算，并进行滤波。惯性测量单元（IMU）通常安装在躯干或骨盆上，测量的是角速度和比力，而非直接给出身体位置。足部六维力传感器提供地面接触与承载情况的信息。这些信号描述了机器人的运动及其与支撑物的相互作用。外部传感器——包括照相机、立体视觉系统、深度相机和激光测距设备——用于观测周围的表面与物体。单靠其中任何一类信息都无法完整描述机器人的状态：关节角度不能确定躯干在房间内的位置，而图像也不能直接确定哪只脚正在承重。(journals.sagepub.com)

状态估计利用这些不完整的测量结果，重建身体姿态、位置、速度、传感器偏置和接触位置等量。通过传感器融合，估计器利用 IMU 读数推算运动状态，再用其他观测修正预测。如果支撑脚保持静止，测得的关节角度与机器人的运动学模型就能约束身体相对于该脚的运动。接触检测用于判断这一约束何时适用；滑动、滚动和冲击都会削弱约束的有效性。扩展卡尔曼滤波器和因子图方法会表征测量的不确定性，而不是将每个输入都视为精确值。罗斯·哈特利及其同事于 2018 年提出的接触辅助不变滤波器，在 Cassie 双足机器人上展示了这种方法。他们的分析还表明，仅凭 IMU 和接触测量无法确定绝对位置或绕重力轴的航向角；这些量需要外部参考，才能避免无界漂移。(arxiv.org)

状态估计结果的不同用途，对时序有不同要求。平衡反馈需要平滑、低延迟的估计，而导航则需要持续与环境地图保持对齐。2014 年，莫里斯·法伦、马修·安东、尼古拉斯·罗伊和塞思·特勒介绍了一种将这两项功能分离的 Atlas 架构：用于控制的状态估计以 333 Hz 运行，用于定位的状态估计则以 40 Hz 纳入基于激光的地图校正。这种分离避免了不连续的定位校正直接干扰行走反馈。该研究还量化了融合带来的改善：机器人静止站立时，原始运动学测量得到的骨盆速度标准差为 7.6 cm/s，经关节级滤波后降至 2.3 cm/s，经扩展卡尔曼滤波后进一步降至 1.4 cm/s。这些数值衡量的是静止状态下的噪声，而非一般行走过程中的位置精度。(groups.csail.mit.edu)

感知将外部观测转化为可用于实体操作的表征。三维点云可以组织成高程地图，用于评估地面高度；也可以组织成占据地图，用于识别障碍物和可通行空间。物体定位不只是目标检测、识别物体类别：要伸手够到阀门或工具，机器人还需要在与自身共用的坐标系中获得物体的位置、朝向，以及与交互相关的几何信息。麻省理工学院团队的感知工作结合了自动拟合和操作员引导拟合，将包括阀门模型在内的物体模型与传感器观测相匹配。地形重建同样必须区分实际观测到的表面与推断出的表面。马克西米利安·施特尔茨勒及其同事在 2021 年的一项研究中，利用自监督学习重建了高程地图中的缺失区域；这种补全是在估计被遮挡的几何形状，而不是直接测量。(groups.csail.mit.edu)

校准、遮挡、噪声和延迟会引入不同的不确定性。校准用于确定传感器测量与坐标系之间的关系；这些关系若不正确，重建出的表面就会与机器人身体错位。遮挡会留下未被观测的区域，包括被前景物体挡住的地形。传感器噪声、机械柔性和传动间隙会干扰运动估计，而处理延迟则意味着观测所描述的是机器人较早时刻的构型。运动中的扫描仪在采集数据时还需要进行运动补偿。法伦及其同事在投影激光回波数据时，明确考虑了机器人运动和扫描仪旋转，并在足部接触状态转换前后增大了测量协方差。他们的系统说明，闭环反馈并不只是依靠收集更多传感器数据，还取决于能否为观测匹配正确的时间、几何关系、接触状态和测量不确定度。(arxiv.org)

平衡、运动与全身控制

双足机器人是一种浮动基座机械系统：除各个关节外，其躯干还具有六个非驱动自由度，即三个平移自由度和三个旋转自由度。关节电机无法直接决定机体在空间中的运动，而必须借助外部接触力来支撑机体并使其加速。因此，双足运动是欠驱动的。系统所受的约束在双脚支撑、单脚支撑和腾空阶段各不相同：静止的支撑脚会约束机体相对于地面的运动，而摆动脚则不会。通常的地面接触只能产生推力，不能产生拉力，切向力则受到摩擦的限制。因此，可行的关节轨迹还必须产生物理上可实现的接触力。(arxiv.org)

在水平地面上，支撑多边形是各足部接触区域的凸包。将质心的垂直投影保持在这一多边形内，是准静态平衡的条件，但行走还取决于速度和加速度。零力矩点（ZMP）是支撑平面上合力矩的水平分量为零的点。在采用线性倒立摆近似时，即质心高度 $h$ 恒定、支撑面水平且绕质心的角动量变化可忽略不计，水平方向的动力学满足

其中，$\mathbf{x}$ 为质心的水平位置，$\mathbf{p}$ 为零力矩点，$g$ 为重力加速度。基于零力矩点的规划在生成相容的机体运动时，会将 $\mathbf{p}$ 保持在支撑多边形内。梶田秀司及其同事于2003年提出的预瞄控制器利用未来的零力矩点参考值，提前考虑后续步伐；其中的螺旋楼梯示例是仿真，而非实体机器人试验。(underactuated.mit.edu)

捕获点同时考虑位置和运动状态。对于上述简化模型，其定义为 $\boldsymbol{\xi}=\mathbf{x}+\dot{\mathbf{x}}/\omega$：将支撑点置于该处并保持不动，可使质心逐渐趋于静止。杰里·普拉特及其同事在2006年提出的方法，利用捕获点和捕获区域来判断受到扰动后应在何时、何处迈步。如果一个可到达的捕获位置位于当前支撑区域之外，就意味着应当迈步，而不是仅依靠踝关节动作来恢复平衡。他们引入飞轮的扩展模型表示了躯干和肢体运动产生的角动量变化，从而拓宽了可用的平衡恢复策略。这些预测仍以足部可达范围、动作时机和执行器限制为条件。(cs.cmu.edu)

落脚点规划根据地形几何形状和腿部可达范围，选择落脚位置、朝向和时机；摆动轨迹则必须避开障碍物。模型预测控制反复优化未来有限时域内的机体运动与接触力序列，执行序列中的首个控制指令，再利用更新后的反馈重新规划。随后，全身控制通过带约束的数学优化，协调躯干朝向、摆动脚运动、平衡以及其他关节任务。优先级较高的接触和平衡要求可以优先于较低优先级的姿态目标得到满足。接触状态转换还需要转移载荷：Donghyun Kim及其同事于2018年提出的控制器通过逐步调整允许的反作用力范围，避免控制指令突变。其实物迈步实验采用了一台踝关节被动的双足机器人，实验中轻扶其躯干以限制水平运动，这与其完整人形机器人的仿真测试有所不同。(underactuated.mit.edu)

不平整地形会带来接触高度、表面倾角的变化，以及不确定的地面附着力。因此，实物实验的证据必须明确测试条件，不能将仿真中的鲁棒性等同于已经验证的实际能力。2024年，伊利亚·拉多萨沃维奇及其同事报告了Digit机器人在人行道、草地等真实地面上的行走，以及在瑜伽球、棍棒和向后拉拽所施加的扰动下恢复平衡的表现。这些是使用仿真训练控制器进行的实物实验；所述人工扰动本身并不能确定一个标准化的、机器人能够恢复平衡的最大推力。(hybrid-robotics.berkeley.edu)

跌倒后起身需要采用不同于周期性行走的接触序列，可能先借助手部及其他身体部位，再将重量转移到双脚上。Xialin He及其同事在2025年的HumanUP研究中，测试了宇树G1实体机器人在包括湿滑表面和斜坡在内的六类地形上，从仰卧和俯卧姿态起身的能力。其训练过程先探索起身动作，再对动作进行优化，使其满足平滑性和力矩限制等实际部署约束。实验所验证的范围是从受测卧姿起身，而非从所有可能的跌倒姿态中不受限制地恢复。(arxiv.org)

手、操作与工具使用

人形机器人的末端执行器不一定要复现人手的结构。面向特定任务的夹持器可以用少量夹爪将物体夹住，而具有关节的机器人手则能提供更多接触位置和关节运动，以实现多种抓握方式及物体位置调整。各手指独立驱动会增加需要协调的变量数量；欠驱动设计则利用机械耦合与柔顺性，让手指以更少的执行器贴合物体。这并不意味着简单抓握与灵巧操作之间存在严格界限：耶鲁大学的 OpenHand Model Q 仅使用四个执行器，就能在保留自适应强力抓握能力的同时，完成精细操作和手指步态操作。(eng.yale.edu)

抓握方式的选择决定了手的接近方式、手指构型和预期接触位置。稳固的抓握还必须保证物体仍可正常使用：例如，Robonaut 2 的手在设计上既要能握住工具，又要保留操作工具所需的手指运动。视觉估计可以引导接近过程，但物体形状的不确定性使预测的接触情况难以完全准确。在 2022 年的研究《通过视觉与触觉的互补运用规划视觉—触觉精细抓握》中，规划器先在估计的物体表面上选择指尖接触点，再在实际接触与预测不符时，利用触觉反馈修正运动。传感器的覆盖范围十分重要，因为规划的接触点必须落在指尖配备传感器的区域内。(ntrs.nasa.gov)

接触建立后，力调节使控制形成闭环。握力不足会导致物体滑动；增大握力可以制止滑动，但过度挤压并不可取，对可变形物体尤其如此。Jasper W. James 和 Nathan F. Lepora 在 2020 年的实验中，使用配有光学触觉传感器的三指 Tactile Model O 机器人手检测滑移，并收紧抓握。该系统还能够提起初始质量未知的物体：先建立轻微接触，再尝试提起，出现滑移时便增大握力。在对十一种物体的测试中，两种响应策略的抓握恢复成功率分别为 74% 和 73%；实验仅限于这只手原本就能以对向捏持方式抓取的物体。(arxiv.org)

手内操作改变的是物体相对于手掌的位置或朝向，而不只是移动整条手臂。手指可以在物体表面滚动或滑动，也可以通过手指步态操作交替脱离并重新建立接触。这些运动既要持续支撑物体，又要避免触及关节运动极限，以及出现彼此不相容的接触约束。机械设计可以简化这一问题：柔顺手指和欠驱动手指能够缓解过约束，而耶鲁大学的可变摩擦夹持器则通过改变手指与物体表面之间的摩擦，允许选定的滑动运动。因此，更多可独立控制的关节只是提供了更多可能性，并不自动保证操作更加可靠。(eng.yale.edu)

双臂操作还需要双手与身体其余部分相互协调。德国航空航天中心（DLR）的 Justin 上半身系统支持在单个末端执行器层面和共同操控物体层面进行控制，使两条手臂能够共同参与一项操作任务。对于站立或迈步中的人形机器人，交互力还会影响平衡；手臂、躯干和支撑接触不能彼此割裂地处理。Masaki Murooka 及其同事在 2025 年的 TACT 实验中，利用真人大小的 RHP7 Kaleido 展示了在保持平衡和行走的同时进行全身接触操作。借助周围环境支撑身体是另一种安排：一只手抵住周围环境以支撑身体，另一只手施加任务所需的力，不过此时用于支撑的手便无法抓握工件。(rmc.dlr.de)

Robonaut 2 通过具体的机械设计选择，展示了机器人如何兼容人用工具。美国国家航空航天局（NASA）2011 年的规格资料指出，它的每只手有 12 个可控自由度：拇指四个，食指和中指各三个，无名指和小指各一个。其手部设计论文介绍了安装在前臂内的执行器、腱索传动、耦合的手指关节以及力传感，并展示了操作手持电钻等设备的情况。与人手相近的尺寸和抓握构型使其能够使用现有的手柄和控制装置；但耦合关节和针对特定任务的演示，并不能证明它具备人手那样的独立手指控制能力或通用操作能力。(nasa.gov)

学习、任务规划与自主性

运动控制策略将观测和目标映射为动作，例如目标关节位置或力矩。其目标可以是指定的行走速度或参考身体姿态，而不必明确机器人为什么要移动，或接下来应执行什么任务。相比之下，高层任务规划负责选择技能并安排其执行顺序，例如走近桌子、抓取物体，再将其放到别处。自主决策还需要利用环境反馈，判断动作是否成功，以及应继续执行还是修改计划。这些功能可以彼此分离：学习得到的控制器可以维持人形机器人的稳定，同时由人通过遥操作为其提供运动目标。(arxiv.org)

模仿学习利用示范来习得行为，既可以学习从观测到动作的映射，也可以训练控制器来复现参考运动。人类示范不能简单地逐个关节照搬到机器人上，因为机器人与人在肢体比例、关节配置、运动范围和可用力矩方面存在差异。因此，运动重定向通过几何拟合与优化，将人体运动轨迹转换为适用于机器人的目标。在2024年的 Human to Humanoid（H2O）系统中，何泰然及其同事利用12个对应关节，将人体模型与机器人进行拟合，再通过最小化位置差异来实现运动重定向。随后，一个能够获取特权状态信息的仿真控制器识别出自身无法跟踪的运动序列；这些序列在训练可部署控制器之前被剔除。最终的系统能够跟随由RGB摄像头捕捉的人体运动；其学习得到的运动跟踪能力并没有取代人类操作员的任务决策。(arxiv.org)

强化学习通过交互训练策略，以最大化预期累积奖励。对于人形机器人，奖励可以将任务进展或参考运动跟踪表现，与对过度用力、动作突变或不期望接触的惩罚结合起来。所选的各个奖励项及其相对权重决定了被优化的行为，但本身并不能证明这种行为有用或可靠。模仿学习与强化学习也可以结合使用：示范提供运动目标，而仿真交互则让控制器学会如何在物理约束下实现这些目标。在2024年4月关于 Digit 的研究中，伊利亚·拉多萨沃维奇及其同事采用了近端策略优化算法，以及参考生物力学设计的行走奖励，而没有使用预先计算的步态库。(arxiv.org)

仿真允许多个训练环境并行运行，而不必让硬件反复承受跌倒的风险。不过，将策略迁移到实体机器人上的效果，仍取决于仿真与现实在动力学、接触、传感和时序方面的差异。域随机化通过改变仿真条件，要求策略在一系列条件下都能成功，而不是利用某个精确模型的特性。拉多萨沃维奇及其同事对机器人动力学、控制参数、地形、观测噪声和延迟进行了随机化。他们的训练流程还使用了一个可获取特权状态信息的教师模型，来指导基于历史观测运行的学生策略；随后，在部署到硬件之前，先在制造商提供的更高保真度仿真器中进行测试。H2O同样利用随机化实现从仿真到现实的迁移，同时也报告指出，过度随机化可能妨碍运动学习。(hybrid-robotics.berkeley.edu)

以语言为条件的接口进一步凸显了选择适当动作与执行动作之间的区别。2022年推出的 SayCan 应用于一台非人形移动操作机器人，它将大语言模型对哪项技能有助于落实指令的判断，与通过学习得到的该技能在当前状态下的可行性估计结合起来。其基于 PaLM 的版本报告的规划成功率为84%，执行成功率则为74%，表明合理的技能描述序列并不等同于成功的实体操作。作者还指出，该系统在技能执行失败或环境发生变化后的反馈方面存在局限。(say-can.github.io)

学习得到的感知—动作系统则可以将视觉观测、语言指令和机器人状态直接关联到动作生成。2025年的 GR00T N1 研究模型将视觉—语言模块与扩散 Transformer 动作模块相结合，并使用由实体机器人轨迹、人类视频和合成数据混合而成的数据进行训练。此类架构探索了多模态学习如何支持不同机器人形态下以指令为条件的操作。针对特定任务开展的实体与仿真评估，必须与不受任务范围限制的自主能力区分开来：理解指令、生成动作轨迹、检测失败，以及在长序列执行过程中从失败中恢复，仍然是彼此独立的能力，需要分别提供证据。(arxiv.org)

人机机器人交互与具身认知

人机机器人交互研究人们如何通过视线、手势、姿态和言语理解机器人并与之协调配合。这些渠道传递的信息相互补充：眼睛和头部的朝向可以表明关注的对象，指点可以明确所指对象，身体动作则可以配合口头指令。这些信号何时出现，与它们是否出现同样重要。研究人员将视线、动作和言语的记录同步，以考察信号如何先于动作出现，或与对话中的话轮同时发生。因此，对话轮转换的研究并不只是考察交替说话，还包括停顿、视线变化，以及说话者打算继续发言或让出话轮的信号等协调过程。2021年的一项研究《面对面互动中由言语驱动的注视》结合眼动追踪、言语标注和对话行为标注，对与说话、思考和话轮管理相关的注视行为进行建模。(frontiersin.org)

受控的机器人实验能够单独考察一些在人类互动对象身上难以抑制的信号。在2012年的研究《看到你注视，我伸手更快》中，iCub机器人在三种条件下用言语指明目标方块：眼睛与头部协调转向目标、眼睛被太阳镜遮住而只有头部转动，以及头部保持不动且眼睛也不运动。五名参与者在每种条件下各完成十轮实验。在能够看到眼睛与头部的朝向线索，或只能看到头部线索时，参与者会在目标的口头描述结束前开始伸手；没有这些线索时，则在描述结束后才开始伸手。注视影响的是动作开始的时间，而非之后从抬手到接触方块的时间间隔。这一结果表明，在这项特定的合作任务中，参与者会利用机器人的方向性信号提前行动，而不能说明他们普遍理解机器人的意图。(frontiersin.org)

儿童体型的iCub也为具身认知提供了实验平台；这一领域研究认知如何通过身体行动及与环境的互动而发展。最初的RobotCub规格说明描述了一款高94厘米、具有53个自由度的机器人，配有可活动的眼睛和头部、灵巧的双手，以及视觉、前庭觉、听觉和触觉感知系统。其发展研究计划从协调视线、头部朝向和伸手动作出发，逐步推进到物体操控、模仿和交流。例如，操控物体可以提供感知运动层面的证据，帮助判断可以对该物体实施哪些动作，而不必仅通过符号描述来提供其属性。RobotCub公开分发的平台及开源软件支持整合和比较实验性的感知、行动与认知架构；该项目于2010年1月结束。(robotcub.org)

森政弘于1970年提出的恐怖谷假说关注互动的另一个方面：当人造形象接近但尚未完全达到人类的逼真程度时，人们对它的亲近感是否会下降。这是一个有待实证检验的假说，而不是说所有越来越逼真的机器人都必然令人不安。实验会将感知到的类人程度与诡异感、吸引力和接受度区分开来。马蒂厄·德斯特夫（Matthieu Destephe）及其同事在2015年的一项研究中，分析了69名法国和日本参与者的反应，分别测量这些维度，并询问他们对机器人可能从事的职业的接受程度。在该实验中，吸引力和感知到的类人程度能够预测职业接受度，而参与者报告的诡异感则不能——这表明，不适感与排斥并不是可以等同的结果。(frontiersin.org)

对外观的判断，在研究方法上也不同于对运动表现或多次接触的观察。在2015年的一项现场互动研究中，雅库布·兹沃托夫斯基（Jakub Złotowski）及其同事比较了外形逼真的Geminoid HI-2与更具机器外观的Robovie R2，让参与者分别与它们进行三次互动，同时改变机器人行为的友好程度。Geminoid获得了更高的外显诡异感评分，而积极行为则提高了受喜爱程度。总体分析发现，互动次数对外显诡异感存在影响，但经校正后，第一次与第三次互动之间的比较未达到统计显著水平；一项内隐联想测量也未发现显著效应。这些区别很重要，因为问卷回答、内隐联想和行为未必会同步变化。(frontiersin.org)

因此，实验设计决定了结论的适用范围。观看刺激材料后的评分，不能证明参与者愿意长期与机器人合作；比较两个机器人，也无法独立区分外观、声音和动作等方面所有差异各自的影响。参与者招募方式、文化背景、任务、接触时长和测量可靠性，也进一步限制了结果的可推广性。上述法日研究中，两国样本量并不相等；重复互动研究则有意让Geminoid的外观、言语和动作彼此不匹配。这些研究结果描述的是特定参与者和实验配置下的情况，而不是人们接受人形机器人的普遍阈值。(frontiersin.org)

应用与部署场景

在科学研究中，人形机器人主要充当实验工具，而非节省人力的设备。由欧盟委员会资助的 RobotCub 项目于2010年1月完成，开发了 iCub，作为供研究认知科学使用的开放共享平台，并提供共享的硬件文档和开源软件。其多关节身体以及视觉、听觉、前庭觉和触觉感知能力，使研究人员能够探索通过身体互动进行学习的过程，包括物体操控和模仿。该项目的相关产出是实验证据和可重复使用的科研基础设施，而非仓库吞吐量或制成品。RobotCub 还将该平台用于高等教育：其暑期学校提供连续十天的编程实操，将头部、手部、手臂、腿部及全身的感知与控制模块整合起来。(robotcub.org)

航天器维护研究将人形机器人送入了运行中的航天器，但其任务性质仍是实验性的。由美国国家航空航天局（NASA）与通用汽车公司联合开发的 Robonaut 2，于2011年2月搭乘“发现号”航天飞机抵达国际空间站。它最初只有安装在支柱上的上半身，在微重力环境中演示了按按钮、操作开关和转动旋钮等动作。2014年的移动能力升级为其增加了两条攀爬肢体；NASA 报告称，这些肢体已于8月安装完毕。每条肢体都有七个关节，末端装有抓握执行器，可扣住空间站内的扶手和插座。与地面行走不同，这种设计旨在让机器人在始终保持至少一条肢体固定的情况下改变位置，从而腾出双手工作。这些是面向辅助航天员的技术演示，并不表明机器人已能常规性地自主维护空间站；NASA 明确指出，要开展舱外作业，还需进一步升级其上半身。(nasa.gov)

DARPA 机器人挑战赛探索了机器人在灾害应对中的应用，其决赛于2015年6月5日至6日在加利福尼亚州波莫纳举行。赛事在模拟灾害环境中测试由人类监督的机器人，而非将其部署到真实的紧急事件现场。在一小时的赛程内，机器人需要驾驶车辆、下车、穿过一道门、操作阀门、使用电动工具切出一个开口、完成一项事先未公布的操控任务、穿越有障碍物的地形，并爬上楼梯。机器人与远程操作人员之间的无线通信被刻意劣化，要求机器人在通信中断期间仍能依靠机载系统继续执行任务，而非依赖不间断的遥控。项目负责人吉尔·普拉特指出，将人类监督与部分自主能力相结合是一项核心挑战。因此，这些任务探索的是在危险条件下进入和使用人类建造的基础设施的能力，并未证明机器人已具备承担常规应急服务的条件。(defense.gov)

商业物流提供了另一种部署场景：将一项范围明确的实体操作任务整合到现有生产流程中。2024年6月27日，GXO 与 Agility Robotics 宣布，在2023年末开展概念验证试点后，双方签订了一项为期多年的“机器人即服务”协议。该部署是在佐治亚州弗劳里布兰奇一处由 GXO 运营的 SPANX 设施中使用 Digit 机器人。公布的工作流程包括从其他移动机器人处取走周转箱，并将其放到输送机上，整个过程由 Agility 的 Arc 软件协调。GXO 在公告中将这一安排称为业内首次正式的商业人形机器人部署；这一表述属于公司的主张，应与已有记录的协议和任务描述区分开来。(investors.gxo.com)

试点、合同和后续运行记录代表着不同类型的证据。试点检验了可行性；协议确立了商业服务安排；反复进行的周转箱搬运则提供了超出演示阶段的实际运行证据。在随后发布的部署进展中，Agility 报告称，Digit 已在弗劳里布兰奇设施内搬运了超过10万个周转箱，其工作还包括在另一处地面位置堆叠周转箱。这一由供应商报告的累计数量记录了一项具体的物料搬运应用，但其本身并不能证明每小时搬运量、可用率、人工干预频率，或相较其他自动化系统的成本优势。(investors.gxo.com)

安全与负责任的交互

人形机器人兼具动力机械臂的危险和移动式、可能失稳的机器的危险。运动中的手臂可能撞击人员；手指和关节可能形成夹点；人员也可能被困在机器人、其负载与固定结构之间。工具和携带的物体还会带来机器人本体之外的危险。双足系统另有跌倒危险：失去平衡可能使躯干、四肢和负载超出正常作业范围。因此，停止并不简单等同于切断动力。2021 年的一项人形机器人安全研究明确区分了迅速中断任务与在保持平衡的同时停止行走这两种情况。(osha.gov)

风险评估针对的是完整的应用系统，而不是孤立的机器人。ISO 12100:2010 确立了一套机械安全方法，涵盖相关生命周期各阶段的危险识别、风险估计与评价、风险降低及验证。对于人形机器人应用，运行限制涉及其任务、负载、周围环境，以及可预见的人员接近情况；设置、故障恢复、清洁和维护也需要审查。美国职业安全与健康管理局（OSHA）的技术指南将编程、环境条件、故障和作业人员的活动列为评估的输入因素。因此，即使机器人本身没有变化，更换夹持器、加装锋利工具或引入输送机，也会改变所评估的应用系统。(iso.org)

防护措施可以包括从设计上降低能量、设置带防护设施的工作空间、监测人与机器人之间的间隔，以及对速度、力或功率施加安全相关限制。间隔监测可在人员接近时使机器人减速或停止运动；限制接触作用的运行方式则需要综合评估机器人、末端执行器和工件共同产生的力与压力。这些是不同的防护策略，并不是机器人具有人形外观就自然具备的特性。维护工作还要求进一步区分受控的运行停止与危险能量隔离：检修期间必须处理储存或外部供给的能量，不能认为机器人停止后就必然已处于无能量状态。(osha.gov)

ISO 13482:2014 于 2014 年 2 月发布，并于 2020 年得到确认；截至 2026 年 10 月 15 日，它仍是已发布的现行版本，其拟议替代标准 ISO/FDIS 13482 仍在制定中。2014 年版标准涉及在陆地上运行的个人护理机器人，尤其是移动服务机器人、身体辅助机器人和载人机器人，包括涉及人与机器人身体接触的应用。该标准不适用于行驶速度超过 20 km/h 的机器人、玩具、水上及飞行机器人、工业机器人、属于医疗器械的机器人，以及军事或公共执法用途。因此，它并非适用于所有人形机器人的通用标准。工业机器人安全由 ISO 10218-1:2025 和 ISO 10218-2:2025 另行规定，分别处理机器人本身的要求与应用及机器人单元集成的要求。第 1 部分明确排除了移动平台移动所带来的危险，这也说明，仅凭工业机械臂标准无法解决步行机器的所有危险。(iso.org)

拟人化的呈现方式也会影响人们对何种交互适宜的判断，但这些判断并非对能力的测量。在 2015 年的一项实验中，马蒂厄·德斯特夫（Matthieu Destephe）及其同事分析了 69 名参与者的反应，其中 47 人来自法国，22 人来自日本；这些参与者观看了 WABIAN-2R 以不同步态行走的视频。感知吸引力与职业可接受度相关（$r_s = 0.347$）；感知到的人类相似程度与职业可接受度的相关性较弱（$r_s = 0.209$），而诡异感与职业可接受度之间没有显著关联。这些问卷结果反映的是感知到的适用性，而不是经过验证的胜任能力或安全开展人机实体协作的能力。在解读富有表现力的动作时，这一区别很重要：对人类相似程度或接受度的评分，并不能证明机器理解当前情境、能够从事人们设想的职业，或能够安全应对意外接触。(frontiersin.org)

性能评估与尚未解决的工程问题

任务层面的评估区分了完成有用工作与复现单个动作。相关指标包括尝试的完成比例、执行耗时、受到扰动或动作失败后的恢复能力，以及所需的人工监督程度。完成标准必须明确最终状态：例如，抓住一个零部件并不等于将其正确放置。干预记录应区分机器人自主重试与操作员指令、远程控制和人工物理复位。这些指标描述的是不同属性：机器人即使能可靠地完成任务，也可能需要操作员投入大量注意力。因此，美国国家标准与技术研究院（NIST）的评估框架将部件能力、功能性任务和实际作业场景分开评估，并将交互时间、机器人对操作员注意力的需求与任务完成时间视为不同指标。(tsapps.nist.gov)

有意义的比较还需要明确记录运行条件的范围。地形的几何形态与摩擦特性、载荷的质量与放置位置、物体属性、传感器配置、供电方式以及通信条件，都可能改变名义上相同任务的难度。2015年6月5日至6日举行的美国国防高级研究计划局（DARPA）机器人挑战赛决赛，展示了测试规程如何界定所测量的能力。机器人有一小时的时间尝试完成八项灾难响应任务，其中包括驾驶、开门、操作阀门、切割墙体、穿越复杂地形和爬楼梯。机器人依靠机载电源运行，不使用防坠落保护绳；同时，赛事刻意降低无线通信质量，以检验机器人与人类监督者之间的职责划分。因此，比赛成绩反映的是人机系统在特定约束下的表现，而非不受限制的自主能力。(tsapps.nist.gov)

可复现性与泛化（机器学习）需要不同的证据。重复预先编排的演示，只能证明其在事先布置好的环境中具有可重复性，并不能证明这种能力可以迁移到陌生物体或环境中。仿真支持受控比较和重复试验，而实体实验则用于检验模型是否涵盖了机器及其周围环境中会对结果产生重要影响的属性。伊利亚·拉多萨沃维奇（Ilija Radosavovic）及其同事在2024年的研究中，通过随机化仿真中的强化学习训练了一个Digit运动控制器，并在未经额外训练的情况下将其迁移到实体机器人上。他们报告称，在为期一周、每天全天进行的户外测试中，机器人没有发生跌倒。不过，他们对控制器的定量比较是在仿真中进行的，每种地形运行十次，并给出95%置信区间；由于可能损坏硬件，不稳定木板地形未进行实体测试。该控制器也未配备摄像头，可能被障碍物困住。这些结果支持的是特定的运动能力，而非通用的自主导航能力。(hybrid-robotics.berkeley.edu)

运动与操作的一体化控制仍然困难，因为接触决策、平衡和物体运动必须统筹求解。控制器可能需要在保持抓握或向环境施力的同时改变落脚位置。引入碰撞、滚动或可变形接触模型会增加计算复杂度；自动选择接触顺序的数学表述则会引入难以处理的数值约束。灵巧手进一步扩大了动作空间，也使收集有价值的实体训练数据变得成本高昂。2025年的一篇研究综述指出，实时优化、接触的不确定性，以及包含丰富力信息的数据集不足，仍是执行全身协同任务的障碍。(arxiv.org)

能源效率的衡量方式不同于峰值速度或载荷能力。DARPA在2015年1月对升级版液压Atlas机器人的介绍中指出，其配备了容量为3.7千瓦时的锂离子电池，在行走、站立和使用工具等混合作业中，续航时间可能达到一小时。这一估计明确取决于工作负载，并非适用于所有工况的续航指标。同样，长期运行的可靠性也需要通过连续作业而非孤立的成功案例来评估：故障恢复、监督投入，以及恢复执行中断任务的能力，都成为实际作业性能的一部分。NIST于2026年4月发布、5月更新的基线基准测试提案，通过为移动、灵巧操作、运动与操作协同以及狭窄空间任务设计可复现的测试装置，解决了这一测量问题的部分方面。该提案描述的是一套仍在开发中的基准测试，而不是已经确立的通用能力认证。(darpa.mil)

参考来源

1. Robonaut2 - NASAnasa.gov
2. What Is Robonaut? (Grades 5-8) - NASAnasa.gov
3. Robonaut 2 Fact Sheetnasa.gov
4. Robotic Technology Lends More Than Just a Helping Hand - NASAnasa.gov
5. NASA's Ironman-Like Exoskeleton Could Give Astronauts, Paraplegics Improved Mobility and Strengthnasa.gov
6. The Jaquet-Droz automatamahn.ch
7. MOUVEMENTSmahn.ch
8. Automate "L'Ecrivain"collections.mahn.ch
9. Humanoid History -WABOThumanoid.waseda.ac.jp
10. History of robotics developmentglobal.honda
11. Honda Debuts New Humanoid Robot "ASIMO"global.honda
12. Atlas Robot Debutsdarpa.mil
13. Human-robot Teams Compete June 5 at DARPA Finalsdefense.gov
14. An Electric New Era for Atlasbostondynamics.com
15. Atlas’ Evolution From Research Robot to Industrial Humanoidbostondynamics.com
16. MODERN ROBOTICShades.mech.northwestern.edu
17. R5 - NASAnasa.gov
18. Motors_and_Actuatorsfab.cba.mit.edu
19. Drake: JointActuator< T > Class Template Referencedrake.mit.edu
20. Ch. 2 - Let's get you a robotmanipulation.mit.edu
21. An Electric New Era for Atlasbostondynamics.com
22. Cog Project Overviewgroups.csail.mit.edu
23. Ch. 2 - Let's get you a robotmanipulation.csail.mit.edu
24. Series Elastic Actuatorsgroups.csail.mit.edu
25. MRV and Roboticntrs.nasa.gov
26. Optimal Actuator Designbiomimetics.mit.edu
27. Contact-Aided Invariant Extended Kalman Filtering for Legged Robot State Estimationarxiv.org
28. Legged Robot State-Estimation Through Combined Forward Kinematic and Preintegrated Contact Factorsarxiv.org
29. Drift-Free Humanoid State Estimation Fusing Kinematic, Inertial and LIDAR Sensinggroups.csail.mit.edu
30. Perception Methods for Continuous Humanoidgroups.csail.mit.edu
31. Reconstructing occluded Elevation Information in Terrain Maps with Self-supervised Learningarxiv.org
32. Ch. 5 - Highly-articulated Legged Robotsunderactuated.mit.edu
33. Biped Walking Pattern Generation by using Preview Control of Zero-Moment Pointpeople.csail.mit.edu
34. Capture Point: A Step toward Humanoid Push Recoverycs.cmu.edu
35. Computationally-Robust and Efficient Prioritized Whole-Body Controller with Contact Constraintsarxiv.org
36. Real-world humanoid locomotion with reinforcement learninghybrid-robotics.berkeley.edu
37. Learning Getting-Up Policies for Real-World Humanoid Robotsarxiv.org
38. Dexterous Manipulationeng.yale.edu
39. Yale OpenHand Projecteng.yale.edu
40. Planning Visual-Tactile Precision Grasps via Complementary Use of Vision and Toucharxiv.org
41. Slip detection for grasp stabilisation with a multi-fingered tactile robot handarxiv.org
42. A humanoid upper body system for two-handed manipulationrmc.dlr.de
43. TACT: Humanoid Whole-body Contact Manipulation through Deep Imitation Learning with Tactile Modalityarxiv.org
44. Brace Yourself: Task-Conditioned Environmental Bracing for Forceful Humanoid Manipulationarxiv.org
45. The Robonaut 2 Hand – Designed To Do Work With Toolsntrs.nasa.gov
46. Humanoid Locomotion and Manipulation: Current Progress and Challenges in Control, Planning, and Learningarxiv.org
47. Learning Human-to-Humanoid Real-Time Whole-Body Teleoperationarxiv.org
48. SayCan: Grounding Language in Robotic Affordancessay-can.github.io
49. Do As I Can, Not As I Say: Grounding Language in Robotic Affordancessay-can.github.io
50. GR00T N1: An Open Foundation Model for Generalist Humanoid Robotsarxiv.org
51. I Reach Faster When I See You Look: Gaze Effects in Human–Human and Human–Robot Face-to-Face Cooperationfrontiersin.org
52. Speech Driven Gaze in a Face-to-Face Interactionfrontiersin.org
53. RobotCub Sciencerobotcub.org
54. RobotCub – An Open Framework for Research in Embodied Cognitionrobotcub.org
55. Walking in the uncanny valley: importance of the attractiveness on the acceptance of a robot as a working partnerfrontiersin.org
56. Persistence of the uncanny valley: the influence of repeated interactions and a robot's attitude on its perceptionfrontiersin.org
57. The RobotCub Summer Schoolrobotcub.org
58. A Step Up for NASA’s Robonaut: Ready for Climbing Legsnasa.gov
59. NASA’s Robonaut Legs Headed for International Space Stationnasa.gov
60. Crew Works Multitude of Advanced Roboticsnasa.gov
61. Upgraded Atlas Robot to Go Wireless as the Stakes Are Raised for the DARPA Robotics Challenge Finalsdarpa.mil
62. Twenty-five Teams From around the World to Participate in DARPA Robotics Challenge Finalsdarpa.mil
63. GXO Signs Industry-First Multi-Year Agreement with Agility Roboticsinvestors.gxo.com
64. Digit Moves Over 100,000 Totes in Commercial Deploymentagilityrobotics.com
65. OSHA Technical Manual (OTM) — Section IV: Chapter 4osha.gov
66. A behavior-based framework for safe deployment of humanoid robotslink.springer.com
67. Advancing Capabilities of Industrial Robots Through Evaluation, Benchmarking, and Characterizationtsapps.nist.gov
68. Humanoid Robot Baseline Performance Benchmarknist.gov