机器人 · aiwiki.page

机器人是一种可编程的机器，能够感知周围环境、自行决定做什么，并作用于物理世界，通常几乎不需要或完全不需要人工干预。这个术语的含义既宽泛又有争议：标准化组织把工业机器人狭义地定义为可重新编程的机械操作臂，而大众用法还包括移动式、足式、飞行式和人形机器人，纯软件形式的智能体则通常称为机器人程序（bot）。设计、制造和运行机器人的学科是机器人学，它综合了机械工程、电子学、计算机科学和控制理论。如今，机器人已经在组装汽车、在仓库中搬运货物、协助外科手术，并探索火星。机器人的发展受到工业革命、控制论以及近年来人工智能的深刻影响。

本词条首先追溯该词的来源和自动机漫长的发展历史，然后阐述该领域的基础：使机器能够在世界中行动的机械结构、驱动、传感与控制。随后考察基于学习的方法如何改变了机器人的自主能力，并概述主要的机器人类型及其在制造业、医疗、服务业和危险环境中的应用。后续章节涵盖人形机器人及其发展现状、自动化的经济影响、伴随部署而来的安全标准与伦理问题，以及仍待解决的技术难题。

词源与定义

"robot"一词源自捷克语。捷克作家卡雷尔·恰佩克在他的警示性剧本《R.U.R.》中首创了这个词。该剧写于1920年，1921年由舞台首演。剧中的机器人并非金属机器，而是经过生物工程改造的类人生物，被批量生产，以求高效、顺从。这个词背后的捷克语名词指强制劳动，其斯拉夫语词根则与奴役的概念相关。关于这一新词的创造权存在争议。据称恰佩克最初想找一个表示"劳动"的拉丁语词，而他的哥哥约瑟夫·恰佩克建议改用 roboti。因此，有些说法将功劳归于约瑟夫，但参考书中通常仍将其归于卡雷尔·恰佩克名下。

该剧迅速传播开来。它把"robot"一词引入英语，也带入了整个科幻小说领域。到1923年，该剧已被译成三十种语言。另一个重要的词汇来源是艾萨克·阿西莫夫。他在1941年的故事《骗子！》中创造了"robotics"（机器人学）一词，不过他后来表示，当时他以为自己只是在使用一个已有的词。后来广为人知的那些法则，首次出现在他1942年的短篇小说《绕圈子》中。尽管早期的故事中已暗示过类似的限制，但这些法则是在该故事中正式提出的。阿西莫夫的作品以及更广泛的科幻小说传统，赋予了这个词跨越多种语言的共同含义。公众对机器人的大部分印象，也更多来自这些虚构作品，而非工程实践。

就技术用途而言，被引用最多的定义来自 ISO 8373。国际机器人联合会在使用"工业机器人"一词时，即以该标准的定义为依据。该定义将其描述为：一种可自动控制、可重复编程、多用途，且在三个或更多轴上可编程的操作机，可以固定安装，也可以安装在移动平台上，用于工业自动化。每个限定词都有其具体作用。"可重复编程"意味着编程的运动可以更改，而无需对机械系统进行物理改动；"多用途"则意味着要适应不同的应用，必须进行物理改造。三轴的要求出于实际考虑：两个轴只能覆盖平面内的任意一点，要覆盖空间中的任意一点则需要三个轴。国际机器人联合会每年发布的装机量和出货量统计即采用这一定义，这意味着其公布的数字建立在这一特定边界之上，而非基于对"机器人性"的一般理解。

更宽泛的工作定义则较为宽松。许多研究者和教科书将机器人描述为一种能感知环境、处理相关信息并对环境采取行动的机器，即通常所说的"感知—规划—行动"循环。这一框架涵盖了许多 ISO 定义所不包括的移动式和社交型机器。行业统计也使用基于应用的分类方式。按照这一方案，工业机器人服务于工业自动化，而服务机器人则为工业自动化之外的人或设备执行有用的任务。这种划分会产生一些尴尬的情况。自主移动机器人在工厂中经常使用，但由于不具备操作能力，也没有三个轴，它们并不符合 ISO 定义。如果这样的平台搭载了机械臂，它就成为移动操作机，并会被计入工业机器人。

边界案例说明，没有任何单一定义能解决这一问题。专用于单一任务的固定式自动化设备被排除在外：一台只为单一目的服务、不可重新编程的机器，在这一意义上不是机器人。只有两个轴、可重新编程的设备同样不在该标准的范围之内，因为它并非"在三个或更多轴上可编程"。与此同时，安全标准的划分方式有所不同。ISO 10218 出于自身的目的，将移动机器人的操作部分视为工业机器人。软件机器人没有任何实体，却能对数据进行感知、处理和操作，因此它是否属于机器人，取决于是否需要物理实体。自动驾驶汽车通常被归为车辆，而假肢是由人佩戴的，而不是与人并肩工作。这些案例中的每一个都可以从两个方向进行论证，因此本词条将"机器人"视为一组相关含义的集合，而非一个固定的类别。

前身：1900年前的自动机与机械装置

在“机器人”一词出现之前很久，工程师们就已经制造出能按程序运动的机器。许多原理是在希腊语世界的罗马时期，由亚历山大的希罗的工坊确立的。在他关于气动学和自动机的论著中，希罗描述了由下落重物、绳索、滑轮和液压驱动的戏剧性机械装置。其中一些机器借助一个装有销钉的旋转鼓轮来执行一系列动作，销钉依次拉动绳索。这是固定且可重复运动的早期形式，其基本思想与凸轮相同。

中世纪的工程师进一步发展了这些方法。1206年，在迪亚巴克尔的阿尔图格王朝宫廷任职的学者阿尔-加扎里，在其《精巧机械装置知识全书》中描述了以水力驱动的机器。其中包括一艘载着一组自动乐师的船，乐师的演奏由旋转圆柱上的销钉决定；还有一个会端上饮料的人形侍者。浮子、阀门和水流共同调节时序。阿尔-加扎里的工作表明，机构可以被重新设定以产生不同的动作序列，这是迈向通用控制的一步，不过每台机器仍只能执行一套固定的程序。

十八世纪产生了最著名的机械人偶。雅克·德·沃康松在1730年代末展出的“消化鸭”，看上去能够吃谷物、扇动翅膀并排泄。它的动作由内部的凸轮和连杆实现，观众被说服以为它真的在消化食物，而实际上并非如此。雅凯-德罗父子在1770年代制造的人偶则更为精巧。其中的“书写者”可以被设定书写一段短文，更换其凸轮即可改变所写的内容。这些机器依靠钟表机构的齿轮、弹簧和精确成形的凸轮，使单一机构能够模仿复杂的人类动作。

工业革命使这类机构更加实用。精密加工技术的进步，以及由詹姆斯·瓦特等人发展的蒸汽机，为工厂提供了可靠的动力和可重复的运动。通向可编程性的最重要一步出现在纺织业。约瑟夫·玛丽·雅卡尔于1804年研制的织布机，利用一串穿孔卡片来决定每次梭子往返时哪些经线被提起。因此，一组卡片编码了一种图案，只需更换卡片就能改变输出，而无需重新制造机器。查尔斯·巴贝奇后来在其分析机的设计中借鉴了这一思想，它预示了算法的逻辑以及存储程序的概念。

这些装置大多只是展示品、娱乐用具或单一用途的生产工具。它们以开环方式运动：不感知周围环境，无法察觉障碍物、位置错误的物体或负载的变化，也无法据此修正自身的行为。它们的程序固定在齿轮、凸轮、销钉或卡片之中。瓦特为蒸汽机改进的调速器确实会对转速作出反应，预示了后来成为控制工程核心的反馈原理，但它只调节单一变量，而非在多变的环境中行动。这些机器与后来的机器人之间的差距，在于感知、决策与自适应行动的结合，直到二十世纪才得以实现，详见关于控制论与反馈的一节。

控制论与反馈理论

机器人是一种受调节的系统，而非固定不变的机械装置，这一观念主要源自控制论。诺伯特·维纳在1948年出版的著作《控制论》中，把控制与通信视为同一个问题，它同样适用于生物体和机器。该书为多学科的控制论领域奠定了理论基础。控制论研究的是带有反馈回路的系统中信息流动的控制问题，这些系统可以是生物的、机械的、认知的或社会的。维纳的兴趣源于战时工作：二战期间，他借鉴了防空系统方面的经验，发展出反馈回路的概念。火炮瞄准问题很难用固定的预测来解决，因为目标会改变航向，所以系统必须在运动过程中不断自我修正。

这一思想的工程根源早于维纳的著作。在电信领域，工程师早已利用负反馈使放大器的输出在失真面前保持稳定，同一原理也被应用于伺服机构。伺服机构将测得的输出与期望的设定值进行比较，并产生与两者之差成正比的修正量。在最简单的形式中，控制器计算误差 $e(t) = r(t) - y(t)$ ，其中 $r(t)$ 为参考值， $y(t)$ 为测得的位置，然后施加作用 $u(t) = K_p\,e(t)$ 以减小该误差。机器正是借助这一机制跟踪移动目标，或将关节保持在指定角度，它也是后来机器人关节所依赖的反馈控制的核心。维纳的贡献在于表明，同样的逻辑既能描述机械伺服系统，也能描述神经系统，从而使反馈成为一条普适原理，而不只是炮术中的技巧。

遥操作为这一逻辑在机械手上提供了最早的实际演示。在阿贡国家实验室，雷蒙德·戈茨于1949年为一种早期的主从式机械手申请了专利，用于处理放射性材料。戈茨的团队制造了一种纯机械装置，从动夹钳与主手柄精确对应地运动。操作者站在防护墙后移动主手柄，从动钳口同步跟随。戈茨还认识到以电气方式耦合机械手的价值，并奠定了现代遥操作机器人学以及双边力反馈位置伺服机构的基础。他于1952年首次以文字描述了力反馈，使操作者能够感受到作用在远端机械臂上的力。对于第一台装置的年代，各方说法不一：一种说法认为阿贡的第一台装置制造于1948年，而实验室报告的日期为1949年3月。

这些机器并不是现代意义上的机器人。它们把人体的动作在别处转换为机械运动，本身没有自主性：每个动作都来自人的操控。它们的重要性在于控制架构。感知、比较与修正已经存在，尚未解决的问题是用控制器取代环路中的人。这正是后来配备传感器、可编程机械手所要填补的空白，也解释了为何本词条对机器人的定义取决于机器能否调节自身行为，而不仅仅是传递人的动作。

控制论的思想将机器人框定为通过感知与修正来自我调节的系统，这一观点至今仍是控制工程的核心。维纳于1948年奠定了该领域的体系，指出反馈是自我调节系统的基本机制。这一思想通过跨学科的梅西会议（1946—1953年）传播开来，该系列会议将信息与反馈原理应用于生物学、工程学和社会科学。现代学者通常对该领域的定义更为狭窄。如今，控制论这一学科常被狭义理解为主要研究反馈控制系统，尽管维纳更宏大的目标还包括把智能理解为一种系统。这一更广阔的目标影响了后来关于神经网络和计算的研究，也使控制论与机器人学中人工智能的后续发展联系起来。

最早的工业机器人

第一台投入商业使用的工业机器人源于美国发明家乔治·德沃尔的工作。他在研究磁记录设备时开始关注工厂自动化。他在1954年提交的申请中描述了一种具有六个自由度的机械臂，它可以把一系列数字指令保存在鼓轮或类似的存储介质上，使机械臂无需人工逐一引导就能重复相同的动作。专利直到1961年才获批，名称为"Programmed Article Transfer"（程序化物品转移），申请日期为1954年12月10日，授权日期为1961年6月13日。

这一设计通过与约瑟夫·恩格尔伯格的合作而走向产品化。一项融资安排使该项目得以在联合柴油电子公司（Condec）旗下继续开发，开发部门以新公司Unimation的名义运作，恩格尔伯格任总裁。早期原型机使用真空管作为数字开关进行控制，后来的版本改用晶体管。1950年代末市面上现成的零部件，例如数字编码器，无法满足这种机器的要求，因此公司几乎自行设计并加工了每一个部件。

商业上的突破来自Unimate。德沃尔于1960年售出第一台设备，并于1961年运往通用汽车公司。该设备被安装在新泽西州尤因镇的一家通用汽车工厂，负责抓取烧红的门把手及其他汽车零件，并将它们投入冷却液中。钢制手臂上的抓爪使工人不再需要直接接触刚铸造出来的零件，使这项工作更加安全，也更加稳定。恩格尔伯格的公司随后向其他制造商出售了Unimate型机械臂。一些与行业相关的历史资料称，在很短的时间内就有大量设备用于压铸，但这些数字来自宣传性材料，并未经过独立核实。

关于第一台工业机器人出现的时间，各方说法并不一致。一些人将其定为1954年的设计，因为该设计确立了可编程多关节操作器的基本概念。另一些人则以1961年的安装为准，因为那是首次在生产线上投入实际使用。还有少数说法更早：一部行业史将一台原型机置于1959年通用汽车的一条压铸生产线上，早于多数历史资料采用的1961年。这一分歧反映了对"第一"的不同理解：是发明、专利、原型，还是首次投入实际运行。公司的成立时间也有不同说法。根据所指的是合作关系还是正式成立的公司，Unimation在一些资料中被定为1956年，在另一些资料中则被定为1962年。

在美国以外，这项技术的普及速度较慢。1970年代和1980年代，日本和欧洲的制造商开始在自己的工厂中引入工业机器人，主要用于点焊和喷涂，因为这些工序高度重复，且焊接或喷涂路径可以预先固定。

这些早期机器大多基本上是"盲目的"预编程设备。它们没有摄像头或力传感器来判断零件的实际位置，因此需要依靠夹具和精确定位的零件才能完成每一个动作。只要布局、零件形状或位置发生变化，通常就需要重新编程或更换工装。这限制了它们只能用于固定、结构化的任务，也解释了为什么在随后的几十年里，感知和自适应控制成为主要的研究目标。同样的限制也使最早的机器人主要在大型工厂中发挥价值，因为只有较大的生产规模才能证明为定制化安装付出的成本是合理的。

人工智能与移动机器人的早期研究

Shakey 由斯坦福研究所（现为 SRI 国际）人工智能中心于 1966 年至 1972 年间研制，是第一台能够对自身行动进行推理的移动机器人。该项目的部分动机来自军方需求：高级研究计划局（DARPA 的前身）当时希望探索将机器人和人工智能用于军事侦察的方法。Shakey 借助摄像头感知环境，能够通过自然语言与人交互，规划自身活动，并采取行动以实现指定目标。其导航依赖搜索：它在避开障碍物的同时规划途经点，为此项工作开发的搜索方法即 A* 算法，后来成为广泛使用的算法。这台机器人本身从未成为实用机器，但它推动了视觉分析、路径查找和物体操作等领域的发展。项目经费于 20 世纪 70 年代初终止；尼尔森后来回忆说，该项目延续到 1971 年，此后资助方便停止了对机器人研究的支持。

斯坦福的车辆研究走了另一条路线。斯坦福推车（Stanford Cart）最初由 James L. Adams 制造，目的是研究从地球遥控月球探测车的可行性，此后研究生们在二十年间不断对其加以改进。Rod Schmidt 1971 年的博士论文探讨了户外机器人的视觉与控制问题。这辆推车在路面上可以沿着一条连续的白线行驶约 15 米，之后便会偏离轨迹。Hans Moravec 后来通过左右移动一台黑白摄像机来获取立体图像，以此形成立体基线。规划方法依赖于由摄像机图像构建的周围环境模型，推车在行进途中每察觉到新的障碍物，规划便会随之改变。速度极慢：推车每 10 至 15 分钟才前进 1 米，而且是一顿一顿地走。在户外，同样的算法只能让它行进约 15 米，之后阴影就会产生被误认作边缘的假线索，使其无法继续跟踪。

Moravec 的研究结果表明，环境的三维模型对路径规划很有价值，同时也暴露出户外感知之难。当时立体视觉的计算量仍然过大，而测距仪又太慢，无法胜任这一任务。他提出的更广泛的观察是：人类毫不费力就能完成的能力，如感知和感觉运动协调，恰恰是机器最难复现的，这一观点如今常被称为"莫拉维克悖论"。他 1980 年在斯坦福完成的论文，研究的是一台有视觉的漫游车在真实世界中的避障与导航，这一研究方向影响了其后的移动机器人。

随着期望超过实际成果，进展开始放缓。明斯基与帕珀特 1969 年关于感知机的著作被广泛解读为：神经网络存在根本性的局限。1973 年，英国詹姆斯·莱特希尔爵士向英国科学研究委员会提交的报告得出结论：人工智能未能兑现其承诺。报告认为，机器人在眼手协调方面的研究"极其令人失望"。该报告使英国高校的人工智能研究经费大幅削减；在美国，DARPA 于 1973–74 年间也削减了对学术界人工智能研究的整体投入。硬件限制使问题雪上加霜：20 世纪 70 年代，计算能力不足、难以攻克复杂问题、成果低于预期，以及资助方日益增长的怀疑相互叠加。"AI 寒冬"一词本身于 1984 年首次出现，当时是 AAAI 年会上一场公开辩论的主题。20 世纪 80 年代末又有进一步削减，包括 1988 年战略计算计划（Strategic Computing Initiative）取消了对人工智能的新增投入。其实际后果是，通用自主性（即机器人能够在非结构化且不断变化的环境中可靠地行动）的进展，远比早期的演示所暗示的要慢得多。这一制约因素影响了之后转向机器学习和概率方法的趋势。

机械结构与运动学

大多数机械臂是由通过旋转关节或移动关节相连的刚体连杆构成的开链。第一根连杆固定在底座上，最后一根连杆装有工具或夹爪，称为末端执行器。每个关节都会带来一个独立的运动，这些独立运动的数量即自由度（DOF），它决定了机械臂的可达范围以及工具能够采取的姿态种类。转动关节恰好贡献一个自由度，其旋转轴定义了该连杆坐标系的一个坐标轴。六自由度机械臂原则上可以在其工作空间内将工具放置于任意位置并使其呈任意姿态；而三自由度机械臂能够定位工具，却无法独立控制其姿态。额外的关节可以提高灵活性，例如绕过障碍物，但也会增加质量、成本和控制的复杂度。

正向运动学与逆向运动学

正向运动学在已知各关节角度的情况下计算末端执行器所在的位置。该方法将每根连杆的变换矩阵依次相乘，得到相对于底座的单一位姿（位置与姿态）。这一方向的计算比较直接，且是确定的：一组关节角度只对应一个位姿。

逆向运动学则相反。它从期望的工具位姿出发，求解能够实现该位姿的关节值。这一问题要难得多。其控制方程是非线性的；对于给定的目标，可能有多组解、唯一解，或者当目标位于可达工作空间之外时无解。对于六自由度机械臂，代数消元可能产生规模极大的多项式方程组，因此控制器通常依赖于特定几何结构机械臂的闭式解（例如腕部三轴交于一点的结构），或采用迭代数值方法。后者通常使用雅可比矩阵，它将关节速度与工具速度联系起来。在奇异构型下，雅可比矩阵秩亏，此时无论如何驱动关节，机械臂都会暂时无法沿某些方向运动。控制器必须检测并避开这些姿态。

约定与并联机构

为了一致地描述串联链，工程师通常采用1955年提出的Denavit–Hartenberg（DH）约定。该约定为每根连杆分配一个坐标系，并用四个参数刻画每个连杆–关节对：其中两个描述连杆几何，两个描述关节运动。由于每根连杆都可以化简为一组标准参数，正向运动学链便可以被系统地计算，同一套记号也适用于众多机器人设计。

并联机构采用了另一种结构思路。例如在Delta机器人中，多根轻质臂将固定底座与一个小型动平台相连，驱动器位于底座上，而不是安装在运动部件上。保持运动质量较低，使其能够快速加速，这也是Delta机械臂在高速抓放作业中很常见的原因。其代价是工作空间较小，且驱动器运动与平台运动之间的关系更为复杂。

结构权衡

结构设计需要在刚度、质量、工作空间和精度之间取得平衡，这些因素无法同时达到最优。刚度更高的连杆能抵抗负载下的变形，从而提高精度，但通常也更重。更重的连杆会增大机械臂的转动惯量，并增加靠近底座的关节所需提供的重力转矩，进而需要更大的电动机和更多能耗。长臂展扩大了工作空间，却会放大工具端的变形。更轻、更柔顺的结构在人员周围更安全，移动成本也更低，但精度可能较差，且更容易振动。因此，这些选择不仅决定了机器人能做什么，也决定了它能以多安全的方式运行，以及耗费多少能量。

驱动与动力

执行器将储存的能量转化为运动，每个关节选用的执行器类型决定了机器人的力量、速度、精度，以及接触外界时的表现。大多数设计采用四类之一：电动、液压、气动，或这些类型的串联弹性变体。动力来源通常是移动式机器人所用的电池，它决定了机器人能够连续工作多久。

电动机

电动机是最常见的执行器，主要原因在于电机的扭矩可以用相对简单的电子电路进行调节，因此精确的关节定位得以实现。电机转速快，但相对于其体积只能输出有限的扭矩，因此通常与齿轮箱或谐波减速器配合使用，以速度换取扭矩。谐波减速器能以紧凑的结构实现很大的减速比，且齿轮几乎没有间隙，但成本较高，并且对冲击较为敏感。出于这一原因，大多数用于焊接、喷涂或装配零件的工业机械臂都依靠电机驱动的关节。

液压与气动执行器

液压执行器利用加压油推动活塞。与电动机相比，液压装置的功重比（功率与重量之比）十分突出，因此适合搬运重物，也适合需要用力蹬地的足式机器人。其缺点在于，泵、阀门、软管和漏油会增加重量与维护负担；而且由于反向驱动性能差，液压执行器在需要良好力控制的场合（如足式机器人）中往往更难应用。波士顿动力公司早期的 Atlas 就体现了这种权衡：它的腿部、躯干和大臂采用液压关节，而小臂和手腕则由电力驱动。

气动执行器使用压缩空气。它们价格低廉、重量轻，而且天生柔顺，因此常用于机器人手部和人造肌肉等只需较小作用力的场合。由于空气可以压缩，气压变化会滞后于阀门指令，这使得精确的位置与力控制比电机更加困难。

串联弹性与可变刚度执行器

串联弹性执行器（SEA）在电机与输出端之间设置一个弹簧，控制器因此可以根据弹簧的形变估算出力的大小。依据胡克定律，输出扭矩近似为 $\tau = k\,\Delta x$ ，其中 $k$ 为弹簧刚度， $\Delta x$ 为形变量。自上世纪90年代起，工程师们就开始探索串联弹性执行器，希望借此使力控制更加精确可靠。这种弹性元件使串联弹性执行器能够承受冲击载荷，具有较低的机械输出阻抗，能够被动地储存机械能，并提高峰值输出功率。这些特性在机器人与人接触时提升了安全性，也帮助足式机器人吸收落地时的冲击。其主要代价在于带宽：执行器通常被设计得尽可能刚硬，以提高带宽。因此，设计者必须合理选择弹簧的规格，既要能承载负荷，又不能刚度过高而失去柔顺性。

可变刚度执行器则更进一步，它能够在运行过程中改变关节的刚度，例如调节弹簧的预紧力或作用于弹簧的力臂。如此一来，同一个关节既可以在精确定位时保持刚硬，也可以在安全接触时变得柔软。液压版本同样存在：这类执行器的工作方式与电动串联弹性执行器相似，区别在于用液压缸取代了电机和滚珠丝杠。

能量储存与电池限制

移动机器人的能量来自电池，最常见的是锂离子电芯。关键指标是能量密度，即单位质量或单位体积所储存的能量。电池越重，执行器就需要输出更大的力来支撑其自身重量，因此能量密度与执行器效率相互影响。续航时间大致等于可用的储存能量除以执行器、传感器和计算硬件的平均功耗。由于电机和液压泵在能量转换过程中存在损耗，同样的储能在不同执行器方案下可能带来截然不同的工作时间。因此，功耗往往决定了机器人在两次充电之间能够运行多久，也是足式机器人和人形机器人设计中的核心约束。

感知与传感

机器人使用的传感器大致分为两类。本体感受传感器测量机器自身的状态，例如关节角度和身体运动。外感受传感器测量周围环境，例如障碍物、物体以及与环境的接触。控制主要依赖前一类，而与外界的交互则主要依赖后一类。

内部感知：关节与机身运动

最常见的内部传感器是编码器。安装在电机转轴或车轮上的光学编码器让光线穿过带缝隙的旋转圆盘，再由光电二极管把产生的脉冲转换为角度和速度。编码器的分辨率通常以每转周期数表示，它决定了能检测的最小角度，并且必须能够跟上转轴的转速进行响应。增量式编码器从某个起始点开始计数脉冲，断电后会丢失位置信息。因此在要求较高的场合，常使用旋转变压器，它无需电池备份即可给出绝对角度。

惯性测量单元（IMU）结合加速度计和陀螺仪，用于估计倾斜、旋转和加速度，是足式机器人、无人机和人形机器人保持平衡的核心部件。关节编码器和IMU的更新频率通常为100至1000 Hz，远高于许多基于摄像头的估计器，而且不受光照影响，因此在雾霾或灰尘环境中依然可用。关节扭矩或电流感知提供了另一种内部信号：电机电流可以粗略反映执行器的负载程度，这也是许多依赖电动机和扭矩反馈的力控方案的基础。

接触感知：力、力矩与触觉皮肤

安装在腕部的六轴力/力矩传感器可以报告手部所受的总接触力和力矩，但仅凭它无法判断接触发生在表面的哪个位置。关节电机的测量数据可以估计外力并检测碰撞，同样无法确定接触点的位置。六轴传感器体积大、成本高且刚性强，还容易因过载而损坏，这限制了它在指尖上的应用。有研究表明，冗余机械臂中高分辨率的关节扭矩感知可以让机器人在全身范围内获得一种内在的触觉，而无需单独的人工皮肤。

触觉传感器则填补了接触点处的空白。其设计包括排列成触元（taxel）阵列的压阻式和电容式单元、模块化皮肤贴片，以及光学视触觉指尖，即通过摄像头观察柔性弹性体的形变。这些传感器使机器人能够检测滑移、调节抓握力，并处理易碎或易变形的物体。关于机器人学习的综述指出，以力反馈作为控制策略的条件，可以实现倒出精确体积的液体、将销钉插入紧密的孔中以及抓取精密物品等技能，而这些在没有触觉的情况下很难甚至无法完成。

外感知：摄像头、深度传感器与激光雷达

摄像头能以较低成本提供密集而丰富的外观数据，但单目摄像头对光照非常敏感，单目深度估计也仍不够精确：一些最先进的基于RGB的方法在室内基准测试中误差超过50厘米。立体视觉和结构光深度相机可以在近距离内直接给出距离数据，激光雷达则通过激光脉冲测距，能在较远范围内提供精确的几何信息。在一项针对果实采摘传感器的比较中，立体深度相机的有效范围约为0.6至6米，而激光雷达的覆盖范围约为0.2至20米，误差在2厘米以内，但分辨率低于相机。因此，传感器的选择需要在测距范围、精度、分辨率、成本以及对光照的鲁棒性之间权衡，而建立在这些数据之上的计算机视觉流程必须应对每种传感器的失效模式。

传感器融合与标定

机器人通过传感器融合把这些数据流结合起来。融合可以发生在符号化估计层面、提取特征层面或原始数据层面，每种选择都在精度与计算成本之间权衡。实际的融合需要空间标定，即求出各传感器坐标系之间的刚性变换；还需要时间对齐，通常借助时间戳使IMU、摄像头和深度数据对应到同一时刻。融合激光雷达与摄像头的数据十分困难，因为二者的点密度、测距范围和视角各不相同，因此标定与配准算法是活跃的研究课题。融合后的估计结果随后用于定位、障碍物检测，以及人机协作中的安全监控。

非结构化环境中的局限

在非结构化环境中，感知仍是实现自主性的主要瓶颈之一，例如在光照变化、环境杂乱、物体遮挡，或存在反光与透明表面的情况下识别物体。视觉可以定位接触，却无法测量力，而且常被遮挡阻断；力传感器可以测量力，却无法确定位置。模拟触觉传感器也很困难，尤其是柔性传感器皮肤产生的剪切力。在高度结构化工位中工作的工业机器人可以依赖精密夹具和可预测的几何结构，但需要适应多变环境的机器人，则必须融合多种模态的感知，并且在个别传感器性能下降时仍能正常工作。

控制、规划与定位

大多数机器人的行为由分层结构产生。底层控制器跟踪关节参考值，规划器选择运动方式，估计器则推算机器人所处的位置。各层相互依赖，其中一层的误差往往会在其他层中显现出来。

在最底层，控制回路将测得的关节角度与期望角度进行比较，并指令电机减小两者之差。比例–积分–微分（PID）控制器是最常见的选择。其控制量由三项构成：

u(t)=K_p\,e(t)+K_i\int_0^t e(\tau)\,d\tau+K_d\,\frac{de(t)}{dt}

其中 $e(t)$ 为跟踪误差。比例项响应当前误差；积分项用于消除稳态偏差，例如重力造成的偏移；微分项则通过对误差变化速率作出反应来抑制振荡。PID 控制器之所以仍然流行，是因为它几乎不需要了解机器人的动力学模型，并且可以手动或自动整定。其缺点在于：微分项会放大传感器噪声；为某一姿态整定的增益，在另一姿态下可能表现不佳，因为机械臂的等效转动惯量会随其运动而变化。这些局限促使人们在控制层级的更高层采用基于模型的方法。

运动规划要解决的问题是：机器人如何在不碰撞任何物体的前提下，从起始状态运动到目标状态。规划器通常在位形空间中工作，其中每个点都对应一组完整的关节值（对于移动机器人，则是底座的位置和朝向）。障碍物在该空间中成为禁止区域，其余部分即为自由空间。基于采样的规划器用随机样本来近似这一自由空间。概率路线图（PRM）采样无碰撞的位形，将相近的位形相互连接，然后用与最短路径搜索和图论相关的方法在生成的图上进行搜索；它适用于同一环境中的重复查询。快速扩展随机树（RRT）则从起始位形出发，每次加入一个随机样本，逐步向外生长出一棵树，并检查每条新连接是否发生碰撞；RRT 属于单次查询方法，通常在一次性问题上更快。RRT* 等变体会重新连接树的结构，以逼近代价最优的路径。基于优化的规划器则把路径长度、平滑性、与障碍物的间隙以及关节或力矩限制写成带约束的代价函数，再借助数学优化技术求解轨迹。采样方法能较好地应对高维且杂乱的空间，但默认情况下并不优化代价；而精确规划则会随着自由度数目的增加而变得难以计算。

同步定位与建图（SLAM）针对的是移动机器人既没有地图、也没有可靠全局位置的情形，这在室内环境中很常见，因为那里无法使用 GPS。机器人必须一边建图一边估计自身位姿，而两者相互依赖：漂移的位姿会污染地图，失真的地图又会误导位姿估计。早期的方法采用概率滤波器，如扩展卡尔曼滤波器或粒子滤波器，二者联合估计地图与位姿，并逐步传递不确定性。许多现代系统则将该问题表示为一个图：节点是机器人位姿和路标，边是传感器测量，然后通过求解一个大型非线性最小二乘问题，使整条轨迹保持一致。实际的 SLAM 流程通常由前端和后端组成：前端从激光雷达或相机数据中提取特征，并在帧与帧之间进行关联；后端则负责执行优化。回环检测尤为重要：当机器人识别出曾经到过的地点时，累积的漂移便可以在整条轨迹上得到修正。该方法已成为自动驾驶汽车、仓储机器人和无人机的标准配置，也被用于增强现实。

模型预测控制（MPC）与固定反馈增益的做法不同。在每个控制周期，它利用机器人的动力学模型求解一个有限时域的最优控制问题，在满足力矩限制、关节限位以及接触点摩擦等约束的同时，最小化跟踪误差和控制代价。随后，它只执行所得控制序列的第一部分，并根据新测得的状态重复计算。这种滚动时域的方案能够显式地处理约束，但计算量很大，早期的实现只能用于缓慢的运动。更快的求解器和并行硬件使其实时应用成为可能。全身控制则把这一思想扩展到整个机器人。它不是独立地控制各个关节，而是同时计算所有关节的力矩，使若干按优先级排列的任务在接触约束允许的范围内得到满足，例如将质心保持在支撑脚上方、把手移动到目标位置以及维持姿态。对于腿式机器人而言，这项工作更加困难，因为其基座并不固定在地面上，而且接触力会随着足部的着地和离地而变化。早在 2015 年，人形机器人的全身 MPC 就已在实际硬件上得到演示。近来，研究团队借助 MuJoCo 物理引擎，使用迭代线性二次调节器，在四足机器人和全尺寸人形机器人上实现了实时全身 MPC；基于采样的预测控制也已在腿式机器人上实时运行。

基于学习的自主性与具身人工智能

强化学习将控制视为一个决策问题。策略（强化学习）将机器人的观测映射为动作，学习者通过调整这一映射来最大化期望的累积奖励，通常写作 $J(\theta)=\mathbb{E}_{\pi_\theta}\left[\sum_{t}\gamma^{t} r_t\right]$ 。机器人通过试错获得技能，通常是在马尔可夫决策过程的框架下进行的。由于实物试验速度慢，且可能损坏硬件，大多数训练都在仿真环境中进行，成千上万个虚拟机器人可以并行练习。一个广为人知的例子是 OpenAI 在 2019 年的工作：一只灵巧机器手完全在仿真中训练，并使用随机化的物理参数，最终学会了解魔方。设计奖励函数仍然十分困难，因为设定不当的奖励可能导致机器人行为得分很高，却无法完成预期任务。

模仿学习提供了另一条路径。设计者不再指定奖励，而是记录示范（通常通过遥操作或手动引导机械臂来采集），并训练模型复现示范中的动作。最简单的形式是行为克隆，它是一个通过梯度下降求解的监督回归问题。对于狭窄的任务，它的数据效率较高，但当机器人进入示范从未覆盖的状态时，微小误差会逐步累积。因此，实际系统通常将示范与强化学习微调相结合，或在运行过程中收集纠正性数据。该方法减少了对手工编写控制程序的需求，但成本转移到了数据收集上，而数据必须涵盖多样的物体、光照条件和失败案例。

视觉-语言-动作模型将这些思路扩展到通用行为。单一网络接收摄像头图像和自然语言指令，并输出运动指令，通常的做法是将动作表示为词元，与大语言模型表示词语的方式相同。Google DeepMind 于 2023 年发布的 RT-2 是一个被广泛引用的例子：它以在网络规模数据上预训练的视觉-语言模型为基础，再用机器人轨迹数据进行训练，因此能够响应一些涉及机器人训练集中未出现的物体和概念的指令。此后，其他多家大型人工智能实验室和机器人公司也追求类似的架构。这些模型借鉴了计算机视觉、自监督学习预训练和迁移学习等技术，有时被描述为面向具身智能体的基础模型。

有两大障碍限制了习得策略的泛化能力。第一是仿真到现实的差距：模拟器对接触、摩擦、传感器噪声和执行器延迟的近似并不精确，因此在仿真中表现良好的策略，在实物硬件上可能失效。域随机化、细致的系统辨识以及基于真实数据的微调等技术可以缩小这一差距，但无法完全消除。第二是数据稀缺。互联网上的文本和图像十分丰富，而机器人数据必须通过实物逐次试验来获取，成本高昂。为解决这一问题，研究者已汇集了多个实验室、多种机器人类型的共享数据集，但它们覆盖的情境仍只占通用机器人可能遇到情况的一小部分。因此，习得的策略往往只能在训练数据所代表的条件下取得成功，而在陌生环境中性能会明显下降。这一局限仍在持续影响机器人自主性的研究。

机器人的类型

机器人通常按物理形态和设计用途来分类。这些类别之间有交叉，因为一台机器可能同时具备几种特征，例如带有机械臂的轮式底盘。

数量最多的是固定式工业机械臂。它安装在地面或工作单元中，用于焊接、喷涂、上下料和物料搬运，工厂中安装的机器人大多属于这一类。传统上，这类机械臂通常在围栏内运行，或在光幕后工作，以防止人员进入快速而有力的机械臂活动范围。

协作机器人（cobot）的设计目标是与人共享工作空间。ISO/TS 15066 规定了四种协作运行方式：安全级监控停止、手动引导、速度与距离监控，以及功率与力限制（PFL）。人们说"协作机器人"时，通常指的就是功率与力限制模式。在这种模式下，机器人通过力矩传感或电流监测等手段检测接触，并将施加的力控制在为各身体部位设定的限值以下。对于躯干，准静态接触时最常引用的数值是 150 牛顿。这种方式的代价是速度：由于接触力受到限制，快速机械臂无法在人员附近自由运动，因此对节拍要求高的工作通常会改用速度与距离监控，或直接采用完全防护。协作机器人适合小批量生产，在这类场景中，频繁的重新编程和换型比生产节拍更重要。

移动机器人包括沿地面标记或磁导引线行驶的自动导引车（AGV）、将货架或料箱运送给拣货人员的仓储机器人，以及自主配送车辆。早期系统依赖固定标记或预先构建的地图；较新的系统更多依靠车载传感和计算机视觉，并越来越多地采用建图与定位方法，使其能够在环境变化的情况下工作。自动驾驶汽车处于这一类别的边缘，它们是否算作机器人，取决于所采用的定义（参见汽车和电动汽车）。

其余类别形式更为多样：

足式机器人和人形机器人在运动时必须持续保持平衡，这需要同时控制大量自由度。
空中无人机的主要限制在于电池能够为飞行供电的时间。
水下航行器分为遥控式和自主式两种，用于管道检测和海底测绘。
软体机器人由柔性材料制成，因此在人员附近更安全，但更难精确建模和控制。
外骨骼穿戴在人体上以辅助运动，应用于康复训练以及为工人提供搬运助力。
微型机器人在极小尺度上工作，被探索用于靶向医疗和实验室研究，这一领域与医学相关。

这些类别描述的是典型设计，而非严格的边界。例如，移动操作机既是移动机器人，也是机械臂；协作机器人也可以安装在自动导引车上。对机器人进行分类时，往往更多取决于它所执行的任务，而不仅仅是其外形。

制造与物流应用

汽车工业是工业机器人最早的大规模用户，至今仍是单一最大的客户。其主要工作包括点焊与弧焊、喷涂、车身装配、螺丝紧固以及下线检测。行业统计显示，这一需求依然高度集中。据国际机器人联合会（IFR）数据，2024年美国新装工业机器人中约40%流向了汽车制造商，电动汽车生产线推动当年美国汽车行业的机器人装机量增长了10.7%。全球范围内，2024年共安装了54.2万台工业机器人，仅中国一国就约占其中的54%。不过，汽车行业的需求具有周期性。2025年欧盟汽车行业的装机量下降了25%，降至1.49万台，尽管该行业仍约占市场的四分之一。因此，汽车行业的主导地位虽然强劲，却并不稳定。

电子、金属加工和食品包装的重要性日益提升，因为这些领域的任务重复性强、产量大。在电子行业，机器人负责放置元件、装卸测试夹具并处理小零件，这类工作对定位一致性的要求高于人手的灵巧度。金属加工厂使用机器人进行机床上下料、压力机装料、去毛刺和打磨，机器人可以与切削或成形设备并排连续工作。食品包装中，机器人用于拾取、摆放、装盒和码垛。IFR针对美国的数据显示，2025年食品行业的机器人应用增长了约30%，装机数量与金属和电子行业大致相当。食品及其他柔软或形状不规则的产品仍比刚性零件难处理，因此该行业的机器人依赖专用夹爪和视觉系统。

仓储与电商履约是该领域变化最快的部分。移动机器人将货架或周转箱运送至人工拣选员或工位，减少了大型设施内的步行时间。自动存取系统利用穿梭车和格栅式货架搬运货物，无需人工行走。机器人拣选臂用于从料箱中取出单件商品并放入订单。拣选是其中的难点：商品在形状、尺寸和包装上千差万别，机械臂需要计算机视觉和抓取规划才能可靠地完成任务。因此，大多数履约中心会组合使用多种自动化技术：移动机器人负责运输，固定式机械臂则承担工作流程边缘的部分特定任务。

机器人本体的成本很少等同于整个系统的成本。系统集成包括工位设计、夹具、编程、与输送线和工厂软件的连接、安全围栏与风险评估以及调试。集成商估计，机械臂本体约占典型项目成本的25%至50%，但具体估算各不相同。一条被广泛引用的规划经验法则认为，项目的总安装成本约为硬件价格的两到五倍；仅集成工作的人工时长就常被估计为每个工位150至400小时。此类数字因供应商和集成商而异，应理解为规划范围而非固定数值。安全验证和工装往往被低估，而当零件摆放比预期更加多变时，夹具工作也可能超出预算。

这些成本结构解释了机器人在哪些场景中更容易被采用。当产品以大批量、几何形状稳定的方式生产时，自动化的收益最大，因为集成成本可以分摊到大量产品上。经常变换产品或采用小批量生产的制造商则要承担反复重新配置的成本，这也是协作机器人、标准化工位以及租赁和“机器人即服务”模式在中小企业中逐渐普及的原因之一。在仓库中，车队管理软件以及与库存系统的集成，其成本有时甚至超过车辆本身。因此，机器人的采用与其说取决于技术能力，不如说取决于其全部安装成本能否通过节省人工、提高吞吐量或减少差错而收回。

医疗、康复与手术机器人

医疗机器人是少数由人类专业人员通常始终掌控任务的机器人类别之一，临床环境对其设计、测试和审批施加了格外严格的限制。最著名的例子是直觉外科公司（Intuitive Surgical）生产的达芬奇手术系统。其外科医生控制台包括一个立体观察器、两个供外科医生抓握的主操作手柄，以及用于切换控制模式的脚踏板。独立的患者端推车则承载着固定内窥镜和器械的机械臂。器械带有腕式关节，因此器械末端至少获得六个自由度，外科医生的手部动作会被转换为这些运动。机器并不决定如何切割，而是通过一个小切口执行外科医生的意图，这也是该方法被称为微创的原因。

监管决定了这些系统如何进入医院。美国FDA批准的第一台手术机器人是AESOP，这是一种摄像头定位装置，于1993年通过510(k)途径被批准为中等风险的II类器械。510(k)申报必须证明新器械与已合法上市的对照器械（predicate device）实质等同，这使得渐进式改进比根本性的新型自动化更容易获批，后者可能需要更严格的上市前批准（premarket approval）途径。2024年一项对2015至2023年间获FDA批准的49台手术机器人的系统综述显示，其中大部分被归为仅辅助外科医生的一级系统，只有少数达到有条件自主。竞争也日益激烈：美敦力（Medtronic）的Hugo系统获得FDA批准用于泌尿外科手术，此前它已于2021年在欧洲获得CE认证。

穿戴式动力外骨骼构成第二类。这些设备带有电动髋关节和膝关节，最初设计目的是让因脊髓损伤而完全瘫痪的人能够站立和行走，现在也用于中风幸存者的步态训练。证据在脊髓损伤方面最为有力。2015年一项对15项研究的系统综述考察了人们使用动力外骨骼所达到的步行速度，以及这些速度与损伤程度、训练次数等因素的关系。另一项较新的研究纳入74名脊髓损伤患者，每人使用商用设备完成至少五次训练，报告显示痉挛有所减轻，且完成15次或以上训练后改善更为明显。对于中风，证据则较为复杂。德克萨斯大学的一项小型研究发现，步态训练并未显著改善5名参与者的步行表现，不过穿戴设备改变了他们的肌肉活动模式；另一项对比则报告，外骨骼组比对照组恢复了更可控的神经肌肉节律。

实验室自动化是第三个主要领域。机器人系统在科研实验室和诊断机构中处理样本管、移液和标本制备。它们提高了通量，并减少了重复性手工操作带来的差异和错误，这在需要一致地处理大量样本时尤为重要。

在所有这些应用中，推广普及取决于的不仅仅是技术性能。医疗机器人必须证明其安全性和有效性，监管机构通常接受与既有器械对比的证据以及真实世界的临床数据，FDA在2017年批准Senhance系统时就是如此。医院还必须通过临床结果和医保报销来论证成本的合理性，培训外科医生和员工，并确保设备在较长的使用寿命内保持无菌、可靠运行。这些要求使医疗机器人的部署速度远慢于工业自动化，即便其底层工程已经相当成熟。

服务、家用与社交机器人

家用机器人

消费级机器人是家庭中使用最广泛的机器人之一，其中扫地机器人是最典型的例子。早期型号在房间里大多沿随机路线四处碰撞。当前型号则利用传感器构建地图：一份市场分析报告称，自2020年以来推出的扫地机器人型号中，超过72%集成了红外和激光雷达（LiDAR）等多种导航技术。Coherent Market Research 的研究描述了基于激光雷达的导航与 SLAM 算法的结合如何使这些设备按系统性的顺序清扫，而非随机路线。许多型号还会在电量不足时返回充电座，因此无需人工干预即可完成预定的清洁任务。

电池容量限制了这些机器的能力。一份报告指出，大多数扫地机器人的续航时间为60至120分钟，对于较大的住宅而言可能不够用。不同分析师对该行业的市场数据也存在较大分歧。采用率的数字往往由制造商提供，例如广为引用的"约70%的美国家庭拥有此类设备"这一数字，它来自单一市场参与者，应视为参考性数据而非定论。

陪伴型与社交机器人

陪伴型机器人的设计目的是情感互动，而非承担家务。索尼的 AIBO 是最为人所知的早期例子。索尼于1998年年中宣布了 AIBO 原型机，首款消费级型号于1999年5月11日推出。第二代增加了传感器和 LED 灯，并具备语音识别和图像捕捉功能。这只机器狗能够行走、坐下，并对语音指令或触摸作出反应，但受限于处理能力，它难以识别和响应种类繁多的语音指令。索尼于2006年1月因销量不佳而停产，据一种说法，该产品整个商业生命周期的销量约为15万台。其高昂的价格也限制了它的普及。

在治疗场景中，宠物型机器人 Paro 成为了一个重要参照。Wada 及其同事2003年的一项研究报告称，Paro 能够降低老年人的压力，并与他们建立情感联系，尽管它的情感表达能力有限，且不具备情感感知或语音能力。后来的社交机器人则更为复杂。Pepper 和 NAO 等人形平台结合了语音、手势和情绪识别功能。Pepper 是一款1.20米高、外形类似少年的人形机器人，NAO 身高57厘米，其外观经过设计，以便更易于用户接受。研究原型走得更远：有一个系统能够通过面部表情和语音情感识别情绪状态，并据此调整回应。语音交互在实践中仍然脆弱。研究人员指出，老年人群中方言普遍存在，这使标准语音识别模型的可靠性降低。

服务机器人

护理机构中的服务机器人通常因其实用价值而受到认可。老年护理服务机器人越来越受欢迎，因为它们既能改善老年人的生活质量，又能减轻护理人员的工作负担。一些监测工具完全不使用摄像头。Wi-Fi 感应设备可以通过无线信号的变化检测移动，红外系统则能为护理人员标记异常的活动模式，从而减少对视频监控的需求。

隐私与用户期望

社交和家用机器人引发了关于用户期望以及它们收集何种数据的问题。2025年一项针对老年护理中辅助型社交机器人的研究发现，利益相关者区分了几类隐私担忧。信息隐私指个人控制其个人信息向第三方披露的权利，当机器人谈论住户时，这一点最为重要。物理隐私则是另一个独立的问题，住户对于机器人应当直接敲门进入房间，还是应当先征求许可，看法并不一致。同一研究报告称，由于对数据泄露风险的担忧以及对机器人能力缺乏信任，利益相关者将隐私置于个性化之上。这些担忧与关于能够在家中观察人类的机器的更广泛讨论相关，涉及伦理学和数据隐私等问题。

极端与探索环境中的机器人

机器人常被派往人类无法安全工作或生存的地方。太空、深海和受损核电站中反复出现同样的限制：通信链路薄弱，感知能力有限，人类操作员只能远程监督。

行星探测车

火星于1997年年中迎来了第一辆轮式探测车。索杰纳号（Sojourner）重约10.6千克，它沿着着陆器太阳能电池板搭成的斜坡驶下，抵达火星表面。整个系统由两部分组成：一是着陆器，后被更名为“卡尔·萨根纪念站”；二是一辆轻型轮式机器人火星车。着陆依靠充气气囊，而非反推火箭。探测器在地面上弹跳滚动，直至停稳。索杰纳号原计划工作约7个火星日（sol），实际却运行了83个火星日，行驶了约100米的地形。其半自主的“行为”使它深受公众喜爱。

任务结束的原因在于，火星车与地球之间的通信依赖着陆器。1997年9月27日，“探路者”着陆器电池失效，与之失去联系。后来的火星车都沿着这一设计脉络发展而来。NASA称索杰纳号是更先进火星车的前身，其中包括好奇号和毅力号。

水下航行器

与此相关的水下机器人主要有两类。有缆遥控潜水器（ROV）通过电缆与母船相连，仍是处理物体的标准工具。载人潜水器和遥控潜水器仍是采样、在海底布放和回收实验装置等操作任务的唯一选择。自主水下航行器（AUV）没有缆绳，按预设路线航行。水下无法获得GPS定位，因此AUV依靠海底声学信标阵列估算位置；靠近水面时，则结合超短基线声学通信、GPS定位和惯性导航。在水下，它依靠深度计、惯性传感器和多普勒速度传感器进行航位推算。

AUV自20世纪60年代起就已投入使用，到80年代，人们还开发了专门用于深海测绘的AUV。它们的局限主要是实际问题：高频声波会被吸收，因此最大作业范围约为1000米；为节省电力，其航速也较慢。有些设计兼具两种模式：混合型水下机器人（HROV）既能自由巡航进行勘测，也能通过缆绳进行采样。

核设施与灾难现场

1979年三里岛事故之后，机器人开始进入核工业领域。卡内基梅隆大学的研究人员在20世纪70年代末至80年代初研制机器人，用于检查并维修核电站地下室。2011年的福岛第一核电站事故规模要大得多。海啸过后断电，冷却系统失效，燃料随之熔化。不久之后，iRobot公司的两台PackBot地面机器人进入1号和3号机组，测量了温度、氧气含量和放射性。数据显示放射性水平极高，人类无法进入这些设施。

这些机器的局限也很明显。辐射会干扰无线电信号，因此操作人员使用了光纤缆线。PackBot和Warrior分别可在最远220米和500米处进行遥控操作。两种型号都不是为极端高温或浸水环境设计的。清理工作已持续十多年。东京电力公司正在部署一台遥控机器人，从2号机组中取出熔化的燃料碎片；同时，据估计约2850个受到高度污染的沙袋正从厂区地下室中被清运，目标是在2028年3月前完成沙袋清运工作。

灾难响应与搜救

搜救机器人在另一种场景中面临类似的问题。世贸中心遭袭后，机器人检查了碎石堆下方的区域，并进入了人类或搜救犬无法进入的狭小空间。操作人员处于高压之下，而粉尘或照明不足导致传感器信息极少，造成了机器人操作失误。因此，瓦砾与无结构地形推动了机动性、感知以及遥操作方面的研究：机器必须可靠地行动，而监督它的人类掌握的信息却并不完整。

人形机器人：发展与2026年的现状

人形机器人的研究历史比近来的宣传所显示的要长。本田的P系列原型机率先出现。本田于1996年推出的P2是一款独立自主的双足人形机器人，能够稳定地动态行走并上下楼梯。随后是本田的ASIMO，其研发始于1999年，于2000年10月正式亮相。它的行走依赖零力矩点（Zero Moment Point）控制，这是一种使地面反作用力点保持在支撑区域之内、从而防止机器人倾倒的方法。后来的型号还能爬楼梯，并能识别声音和人脸。本田于2022年停止了该系列的研发。ASIMO的主要启示是，稳定行走在很大程度上是一个控制问题；此后的人形机器人研发项目已转向手部、灵巧操作以及全身协调。

波士顿动力公司的Atlas体现了从演示走向产品的转变。在拉斯维加斯消费电子展上，该公司发布了新款Atlas机器人的产品版本；这款全电动人形机器人是在现代汽车全球CES媒体日的演示中首次公开的。公司表示将立即在其波士顿总部开始生产，并且2026年的所有Atlas部署均已全部签约，机群计划交付给现代汽车的机器人制造应用中心（Robotics Metaplant Application Center）以及Google DeepMind。外部客户预计要等到之后才会有，因为公司计划在2027年初增加新客户。其规划的训练方法依赖于面向各类工业任务的新型AI基础模型，首先从汽车行业入手，这与基础模型以及强化学习相关联。现代汽车还将该项目与每年3万台机器人的工厂设计产能联系起来，这是其在美国260亿美元投资的一部分。

2026年的市场数据仍属初步估计，且彼此不一致。IDC估计，2026年上半年全球人形机器人出货量接近2.5万台，同比增长432.1%，并报告营收超过7.4亿美元。其他机构统计的数量较少：Smart Analytics Global的统计约为1.91万台，Counterpoint的估计为2.2万台。这些差距很可能源于统计口径和估算方法的不同。出货量也无法反映交付后有多少机器人真正投入生产工作。生产高度集中于中国：IDC将全球市场约77.9%的份额归于中国厂商的出货量，而智元机器人（Agibot）在2026年上半年出货超过8600台人形机器人。IDC对长期的展望则更为激进，预计到2030年全球出货量将超过75万台。

应用正在超出展示性场景。IDC表示，该市场正日益扩展到工业制造、零售、物流、旅游和消费级应用等领域。智元机器人报告称，其累计产量于2026年9月达到2万台；同月，智元与长隆合作，在横琴长隆太空乐园（Chimelong Spaceship Park）开始大规模部署300多台机器人。制造业本身也在发生变化：据一家代工制造商称，人形机器人如今正进入产量以数万台计的阶段，手工组装已不再可行。

人形机器人能否与其他自动化技术竞争，取决于可靠性、能耗和成本。每个关节都需要增加执行器、传感器和布线，而移动平台必须自带电源，因此电池容量和能量密度决定了实际续航时间的上限。Atlas的商业化道路仍处于早期阶段，波士顿动力公司还有很长的路要走。关于此类机器将如何影响劳动力市场和生产率的更广泛问题仍然悬而未决，而许多开发者目前所追求的具身智能方法，尚未在众多场地和任务中得到充分验证。

经济影响与劳动力市场

机器人能够提高制造业和物流业的生产率，增加产出、改善质量，并降低部分商品的成本。其更广泛的经济影响取决于企业采用的速度以及收益的分配方式，因此经济学将机器人化视为技术变迁与生产率的问题，而不是简单的机器取代工人。

最著名的实证研究针对美国的地方劳动力市场。Daron Acemoglu 和 Pascual Restrepo 以其他发达经济体的采用情况作为工具变量，测量了 1990 至 2007 年间美国各通勤区的机器人暴露程度。他们发现，机器人对就业和工资有显著且稳健的负面影响：每千名工人增加一台机器人，就业人口比会下降 0.18 至 0.34 个百分点，工资则下降 0.25% 至 0.5%。他们的模型区分了两条渠道：机器人渗透率提高会通过替代效应压低工资和就业，因为机器人接管了工人此前承担的任务；但它也可能通过生产率效应提高工资和就业，因为其他行业随之扩张。后续的重新分析对这一结果的线性形式提出了质疑。一项研究在最稳健的回归中发现，机器人化与就业之间呈 U 形关系，即超过某一水平后，进一步的机器人化会带来就业回升。另有研究将机器人化与工资极化联系起来，认为 1990 至 2007 年间机器人化显著促成了美国的工资极化。因此，证据因行业、地区、职业和时期而异，关于机器人对就业的净效应或对高技能工作转移的论断仍有争议。

安装数据显示，机器人的部署高度集中。国际机器人联合会（IFR）报告，2025 年全球工业机器人运行存量增长 9%，达到创纪录的 500 万台；年度安装量增长 11%，全球工厂新装机器人超过 60 万台。中国居于主导地位，安装量达 35.4 万台，同比增长 20%，占全球部署量的 59%。中国之后的排名发生了变化：美国安装量接近 38500 台，超过日本，跃居全球第二。日本安装 36219 台，下降 19%，降至第三位；韩国安装 3 万台，下降 1%，仍为第四大市场。德国安装量不足 25000 台，下降 8%，位居全球第五，在欧洲排名第一。IFR 预计 2026 年年度安装量将增长 9%，达到 65.5 万台，这将延续安装量的增长，尽管推动增长的国家构成正在发生变化。

机器人领域的投资增长迅速，在人形机器人方面最为明显。由于各家追踪机构采用的定义和截止日期不同，估算结果差异很大。某行业简报引用 Dealroom 的数据显示，截至 7 月，人形机器人初创企业已募集 87 亿美元风险投资，已接近 2025 年全年总额的两倍。另一份基于 Dealroom 的摘要给出的数字是今年迄今 86 亿美元，为 2025 年全年的 1.8 倍；Dealroom 的一则较新数据则显示，年初至今的风险投资为 110 亿美元。更宽泛的机器人领域总额更高：一家追踪机构报告，截至 6 月 22 日，全球机器人初创企业已募集约 188 亿美元，已超过 2025 年全年总额。观察人士警告，资本的增长快于实际运营。一份行业分析认为，该行业仍需证明这些机器能够足够可靠且低成本地与工人以及更简单的自动化方案竞争。因此，这些投资最终会带来大规模的劳动力替代，还是催生新型工作，仍是一个悬而未决的问题。

安全标准、伦理与治理

机器人的安全规则是按机器类型分别制定的，而不是通过一部统一的总则来约束。对于工业机器人，核心参考标准是 ISO 10218。修订后的 ISO 10218 分为两部分：面向制造商的 10218-1:2025，以及面向系统集成商的 10218-2:2025。这两份文件取代了 2011 年版的第 1 部分和第 2 部分。在北美，早期版本曾在美国被采纳为 ANSI R15.06，在加拿大被采纳为 CSA Z434。

2025 年的修订在多个方面作出了改变。它把功能安全要求写得更加明确，使其以明示条款的形式出现，而不再只是隐含其中。它引入了新的机器人分类，并配套了相应的功能安全要求和测试方法。它还纳入了网络安全内容：更新后的标准要求采取措施，防止未经授权的访问、篡改和数据丢失。协作机器人的规则也一并纳入其中：针对协作机器人应用的集成安全要求，整合了此前单独存在的 ISO/TS 15066。

与工人共享工作空间的协作机器人，遵循以下四种运行模式之一：安全等级监控停止、速度与距离监控、手动引导，以及功率和力限制。速度与距离监控依赖于保持机器与人之间的计算距离：距离缩小时，机器人减速或停止。它通过对人与机器人之间施加一个与速度相关的最小间距来防止碰撞。功率和力限制则采取另一种思路，承认接触可能发生，并确保机器人的动能保持在与人接触时不会造成伤害的限值之下。在这四种模式中，功率和力限制是唯一允许运动中的机器人与人类操作者持续发生物理接触的模式。概括 ISO/TS 15066 的供应商指南给出了一个生物力学限值的例子：躯干部位的最大准静态力为 150 N。将两种策略结合使用，目前仍是研究课题，尚未成为成熟的通行做法。

服务和个人护理机器人适用另一套标准。ISO 13482 规定了个人护理机器人在本质安全设计、防护措施和使用信息方面的要求与指南，尤其适用于移动式服务机器人、物理辅助机器人和载人机器人。其适用范围有意作了限定：它不适用于行驶速度超过 20 公里/小时的机器人、机器人玩具、水下或飞行机器人、属于 ISO 10218 范围的工业机器人、作为医疗器械的机器人，以及军事和公共执法用途的机器人。2014 年版仍然有效；该出版物最近一次复审确认于 2020 年，因此这一版本目前仍属现行标准。ISO 8373 术语标准则提供了监管机构和制造商在这些文件中通用的基础术语。

与伦理风险相比，标准更容易应对物理危险。有一项分析指出，ISO 13482 标准涵盖了多种安全危险，但不涉及伦理危险，包括电池充电、机器人运动、自主决策失误，以及人类对机器人存在缺乏察觉等问题。新一代专门针对伦理的标准正在出现。阿西莫夫在其小说中提出的机器人三大法则，并未被用作工程要求，但在关于机器人应如何与人相处的公共讨论中，它依然是常被引用的参照。

仍有若干治理问题悬而未决。对于配备摄像头、会收集周围人员数据的机器人和家用机器人而言，隐私是核心关切。当自主系统造成伤害时，责任归属并不清楚，因为责任可能分散在制造商、集成商、软件开发者和运营者之间。当机器人改变车间中的工作任务和作业时间表时，征求工人意见也十分重要。这些问题与现有的数据隐私、网络安全、法律、伦理和人权框架相关联，许多司法辖区正通过政策制定和标准制定来加以应对，但目前尚无一套国际统一的制度覆盖所有类型的机器人。

尚未解决的问题与技术限制

灵巧操作是该领域中解决程度最低的问题之一。由电机和连杆构成的刚性夹爪与多指手，能够可靠地抓取箱子和瓶子，但在处理电缆、布料、薄纸以及其他接触后形状会发生变化的物体时却力不从心。与刚性物体的操作相比，处理可变形物体要复杂得多，至今仍是开放的研究问题。解决这一问题需要在硬件、传感、形变建模、规划和控制等方面同时取得进展。仿真器则带来了另一层困难：要对软质和可变形物体的接触进行建模，需要达到现有仿真器尚无法实现的真实程度。因此，机器人手的设计是一个活跃的研究领域，柔顺与欠驱动手指、触觉蒙皮以及基于学习的控制等方案都在被尝试，作为问题的部分解答。

能源是第二个约束，在移动机器人和人形机器人上尤为明显。即使处于闲置状态，足式机器人为保持平衡也要持续消耗能量。板载计算进一步加重了负担：在GPU上运行大型基础模型耗电量很大，会迅速耗尽电池，并在电子元件附近集中产生热量。可用能量既受电池组质量的限制，也受锂离子电池能量密度的限制。一份行业指南指出，人形机器人的躯干只能容纳约5至6千克的电池组。各方报告的续航时间差异很大：一份面向厂商的指南给出的典型运行时间为2至4小时，另一份则称某些型号每次充电可运行90至120分钟，而制造商公布的数据又各不相同。这些数字之间并不能直接比较，因为机器人、任务和测试条件各不相同，购买者需要的是基于其预期工作流程的负载周期数据。热管理限制又使问题更加复杂：GPU需要主动散热，持续的电机负载会产生热量，从而降低效率并缩短元件寿命。在高强度使用下，电池的循环寿命也会下降，因为频繁的启停和高倍率放电会加速电池老化。

泛化能力是第三个限制。通常在仿真中借助强化学习训练的学习型控制策略，向实际硬件迁移时往往效果不佳，仿真与现实之间的差距是原因之一。另一个原因在于，将已习得的知识推广到与先前示范不同的动作上仍然十分困难。因此，现场可靠性比实验室中的可靠性更难达到。评论者将商业部署的目标描述为极高的可用率；一项资料称客户期望的是工业级可靠性（95%至99%的可用率），而许多演示系统并未达到这一水平。人工监督常常隐藏在结果背后。一份购买指南指出，由于热管理、安全监督要求以及遥操作人员的认知负荷，小型人形机器人的研究性运行通常被限制在30至60分钟之内。

经济层面的问题取决于上述技术限制。机器人能否替代或辅助人类劳动，取决于其长期运行的可靠性、维护成本，以及将系统集成到特定场所的费用。这些成本在早期演示中往往被低估，而从令人信服的演示到可靠的生产系统之间的差距，正是许多项目停滞的地方。因此，只有在系统长时间无人监督运行之后，采用情况才通常以生产率提升和对劳动力市场的影响来衡量，而不是以展示性任务来衡量。

参考来源

R.U.R.britannica.com
Rossum’s Universal Robots by Karel Čapek (1920)psychogeographicreview.com
101 years ago: origins of the word 'robot'therobotreport.com
R.U.R.en.wikipedia.org
Isaac Asimov and the Three Laws of Roboticsscihi.org
Three Laws of Roboticsen.wikipedia.org
Industrial Robotsifr.org
1 Introduction 25 1.2 Industrial robots - definition and classificationifr.org
Industrial roboten.wikipedia.org
What is an industrial robot? Industrial robot definitionrobotnik.eu
What are the Key Factors Used to Classify Industrial Robots?digikey.com
ISO/DIS 8373 - Robotics -- Vocabularystandards.iteh.ai
Who did invent the word "robot" and what does it mean? - Adelaide Robotics and Computer Science Academy (ARCSA)roboticsacademy.com.au
Mutation Testing for Industrial Robotic Systemsarxiv.org
Cybernetics or Control and Communication in the Animal and the Machinemitpress.mit.edu
Norbert Wiener The Founder Of Cyberneticsquantumzeitgeist.com
Raymond Goertzen.wikipedia.org
MASTER-SLAVE MANIPULATORscispace.com
How the Atomic Age Gave Us Robot Surgeonsgizmodo.com
When control meets large language models: From words to dynamicsarxiv.org
Principles and Practice of Deep Representation Learning: or a Mathematical Theory of Memoryarxiv.org
Master-Slave Manipulator (Technical Report)osti.gov
From sci-fi to reality: a trip through robotics evolutioninnovacion.uas.edu.mx
1954 â€“ ElectroMechanical Manipulator â€“ Ray Goertz (American) - cyberneticzoo.comcyberneticzoo.com
Norbert Wiener and the Birth of Cybernetics: The Science of Feedbackmedium.com
NIHF Inductee George Devol Invented the Industrial Robotinvent.org
Unimateen.wikipedia.org
George Devolen.wikipedia.org
Unimationen.wikipedia.org
Joseph Engelberger and Unimate: Pioneering the Robotics Revolutionautomate.org
Unimate Industrial robotshvachko.net
Shakey - CHM Revolution - Computer History Museumcomputerhistory.org
Fifty years of Shakey, the "world's first electronic person"newatlas.com
SRI’s AI Center celebrates 60 years of AI impact - SRIsri.com
Stanford’s Robotic Historystanfordmag.org
1960 - Stanford Cart - (American) - cyberneticzoo.comcyberneticzoo.com
Read "Technology Development for Army Unmanned Ground Vehicles" at NAP.edunationalacademies.org
[PDF] The Stanford Cart and the CMU Roversemanticscholar.org
Hans Moravecen.wikipedia.org
History of the AI Winters: AI History Guideaitimeline.world
Deep Dive: The 1973 Lighthill Report: How One Mathematician Accidentally Triggered AI's Dark Agejrdelaney.substack.com
Lighthill Report on Artificial Intelligence (1973)achievements.ai
AI winteren.wikipedia.org
Artificial Intelligence: Seventy Years of History, Bringing It to Business - INNOVATING NEWSen.innovando.news
Shakey the Robot - SRI Internationalsri.com
SRI's Pioneering Mobile Robot Shakey Honored as IEEE Milestone - IEEE Spectrumspectrum.ieee.org
Rover Visual Obstacle Avoidancemlanthology.org
The AI Winter: Why AI Almost Died (Twice) - Beginners in AIbeginnersinai.org
Forward Kinematicsopentextbooks.clemson.edu
Robot Kinematicsfiveable.me
Inverse Kinematics for a 6-Degree-of-Freedom Robot Manipulator Using Comprehensive Gr\"obner Systemsarxiv.org
(PDF) Forward and Inverse Kinematic Analysis of Robotic Manipulatorsacademia.edu
Modeling and Application of Series Elastic Actuators for Force Control Multi Legged Robotsarxiv.org
Series Elastic Actuator: Design, Analysis and Comparisonintechopen.com
Design of robust controller applied for series elastic actuators in controlling humanoid's jointarxiv.org
Development of Bidirectional Series Elastic Actuator with Torsion Coil Spring and Implementation to the Legged Robotarxiv.org
(PDF) Series elastic actuators for high fidelity force controlresearchgate.net
Proprioceptive Sensorsieee-dataport.org
Robotics Module 6# Perception in Action - Robotics Sensorsdilipkumar.medium.com
Principles of Robot Autonomyarxiv.org
Proprioceptive Sensors: The Robot's Inner Eye - DataRoot Labsdatarootlabs.com
Proprioceptive Invariant Robot State Estimationarxiv.org
Curved patch mapping and tracking for irregular terrain modeling: Application to bipedal robot foot placementarxiv.org
ShanghaiTech Mapping Robot is All You Need: Robot System for Collecting Universal Ground Vehicle Datasetsarxiv.org
Probabilistic Multimodal Depth Estimation Based on Camera-LiDAR Sensor Fusionarxiv.org
[2307.10519] Probabilistic Multimodal Depth Estimation Based on Camera-LiDAR Sensor Fusionarxiv.org
Accurate Fruit Localisation for Robotic Harvesting using High Resolution LiDAR-Camera Fusionarxiv.org
SLCF-Net: Sequential LiDAR-Camera Fusion for Semantic Scene Completion using a 3D Recurrent U-Netarxiv.org
A LiDAR-depth camera information fusion method for human robot collaboration environment - ScienceDirectsciencedirect.com
Singular Value Decomposition (SVD) Method for LiDAR and Camera Sensor Fusion and Pattern Matching Algorithmncbi.nlm.nih.gov
Tactile Robotics: An Outlookarxiv.org
Intrinsic sense of touch for intuitive physical human-robot interactionscience.org
Customizing Textile and Tactile Skins for Interactive Industrial Robotsarxiv.org
Towards Forceful Robotic Foundation Models: a Literature Surveyarxiv.org
GelSlim 4.0: Focusing on Touch and Reproducibilityarxiv.org
Tactile Robotics: An Outlookarxiv.org
SLAM - Simultaneous localization and mappingsbg-systems.com
An Introduction to Simultaneous Localization and Mapping (SLAM) for Robots - Technical Articlescontrol.com
Simultaneous localization and mappingen.wikipedia.org
Active SLAM: A Review On Last Decadearxiv.org
Mapping and tracking system with features in three-dimensional spaceimage-ppubs.uspto.gov
Whole-Body Model-Predictive Control of Legged Robots with MuJoCoarxiv.org
Real-Time Whole-Body Control of Legged Robots with Model-Predictive Path Integral Controlarxiv.org
(PDF) Whole-Body Model Predictive Control for Biped Locomotion on a Torque-Controlled Humanoid Robotresearchgate.net
Motion planning in high-dimensional spacesarxiv.org
Sampling-Based Motion Planning: A Comparative Reviewarxiv.org
HAS-RRT: RRT-based Motion Planning using Topological Guidancearxiv.org
Collaborative Robot Safety Standards: ISO 10218 & R15.06inmotion.global
Power and Force Limiting Cobots (October 2026 The Complete Guide)smashingrobotics.com
Collaborative robot safety standards you must know - Standard Botsstandardbots.com
Standardizing Collaborative Robots: What is ISO/TS 15066? - Engineering.comengineering.com
Collaborative Robot Safety: ISO/TS 15066 Guide (2026)evsint.com
Cobot Safety: ISO/TS 15066 and Power-and-Force-Limiting in Practicereemanbot.com
U.S. Companies Invest Heavily in Robots - IFR Preliminary Results - International Federation of Roboticsifr.org
Robot Installed in US Auto Industry Up by Double Digits - International Federation of Roboticsifr.org
International Federation of Robotics (IFR) Secretariat President Jane Heffnerifr.org
US Robot Industry Returns to Double Digit Growth - International Federation of Roboticsifr.org
Automotive leads new installs: IFR data for Europe and world 2024 - News - portal Plastech.bizplastech.biz
Industrial Robot Installations 2024: 542,000 IFR Robotics Statsmanufacturingleadgeneration.com
The True Cost of an Industrial Robot: the 2-5x Ruleindustrialroboticshub.com
Industrial Robot Cost: 2026 Price Guide by Payloadthebotscout.com
Full article: The role of lower limb exoskeletons in rehabilitation: a scoping reviewtandfonline.com
Wearable powered overground exoskeleton reduces dose-dependently the spasticity in individuals with spinal cord injurynature.com
Gait speed using powered robotic exoskeletons after spinal cord injury: a systematic review and correlational studyncbi.nlm.nih.gov
How can powered exoskeletons restore walking ability after stroke?physicsworld.com
Frontiersfrontiersin.org
Patient-side surgeon interface for a minimally invasive, teleoperated surgical instrumentimage-ppubs.uspto.gov
Imaging cannula with a hinged tipimage-ppubs.uspto.gov
Surgical port featureimage-ppubs.uspto.gov
Levels of autonomy in FDA-cleared surgical robots: a systematic reviewnature.com
Robot Autonomy for Surgeryarxiv.org
FDA clears new robotically-assisted surgical device for adult patientsfda.gov
Medtronic’s Hugo surgical robot earns FDA clearancemedtechdive.com
Robot Vacuum Cleaner Market Size, Sharebusinessresearchinsights.com
Residential Robotic Vacuum Cleaner Market Trends, 2026-2033coherentmarketinsights.com
Robotic Vacuum Cleaners Market Size, Share & Growth360researchreports.com
AIBOen.wikipedia.org
Early Robot Dog from 2000s: A Robotic Pet Historytherobotacademy.com
Whatever Happened To Sony's Aibo Robot Dog? - SlashGearslashgear.com
Artificial Emotional Intelligence in Socially Assistive Robots for Older Adults: A Pilot Study - PMCpmc.ncbi.nlm.nih.gov
Employing Socially Assistive Robots in Elderly Caredl.acm.org
Social robot in service of the cognitive therapy of elderly people: Exploring robot acceptance in a real-world scenario - ScienceDirectsciencedirect.com
Robots for Elderly Care: Review, Multi-Criteria Optimization Model and Qualitative Case Study - PMCpmc.ncbi.nlm.nih.gov
Which Values Matter to Socially Assistive Robots in Elder Care Settings? Empirically Investigating Values That Should Be Embedded in SARs from a Multi-Stakeholder Perspectivearxiv.org
Aibo, Sony's robot dog could come backrobot-advance.com
Robotic Vacuum Cleaner Market Size, Share, Trends and Forecast by Type, Type of Charging, Distribution Channel, Application, End User, and Region, 2026-2034researchandmarkets.com
Residential Robotic Vacuum Cleaner Market Size & Trends, 2033persistencemarketresearch.com
Robotic Vacuum Cleaners Market Size, Share and Forecast 2032credenceresearch.com
Personalized Cognitive Support via Social Robotsmdpi.com
Image and Speech Recognition Technology in the Development of an Elderly Care Robot: Practical Issues Review and Improvement Strategiesncbi.nlm.nih.gov
Mars Pathfindernasa.fandom.com
Mars Pathfinder Lander Prototypeairandspace.si.edu
Sojourner Rover — The First Mars Roverorbitalradar.com
25 Years Ago: Mars Pathfinder Launches to Mars to Deploy Sojourner, the First Planetary Rover - NASAnasa.gov
Techniques for Deep Sea Near Bottom Survey Using an ...robots.stanford.edu
Autonomous Underwater Vehicles (AUVs): Their past, present and future contributions to the advancement of marine geoscience - ScienceDirectsciencedirect.com
Autonomous Underwater Vehicles - NOAA Ocean Explorationoceanexplorer.noaa.gov
Surface-based sonar system could rapidly map the ocean floor at high resolutionnews.mit.edu
Underwater vehicleswhoi.edu
Robots Arrive at Fukushima Nuclear Site with Unclear Missionscientificamerican.com
Detection of Simulated Fukushima Daichii Fuel Debris Using a Remotely Operated Vehicle at the Naraha Test Facilityncbi.nlm.nih.gov
robots enter fukushima reactors detect high radiationspectrum.ieee.org
Meltdown Maneuvers: Advanced Robotics for Safer Nuclear Cleanup - Tech Insightseepower.com
Robots to remove 2,850 radioactive sandbags from Fukushima plantinterestingengineering.com
Mixed-Initiative variable autonomy for remotely operated mobile robotsarxiv.org
Sojourner (rover)en.wikipedia.org
Sojourner — The first successful Mars roverspace.com
Emergency response to the nuclear accident at the Fukushima Daiichi Nuclear Power Plants using mobile rescue robotsresearchgate.net
30 Years Ago, Robots Learned to Walk Without Falling - IEEE Spectrumspectrum.ieee.org
ASIMOen.wikipedia.org
Asimo - ROBOTS: Your Guide to the World of Roboticsrobotsguide.com
Boston Dynamics Unveils New Atlas Robot to Revolutionize Industrybostondynamics.com
Atlas Humanoid Robots Production ‘Fully Committed’ For 2026, Factory Will Build 30,000 Per Yearforbes.com
Agibot leads global humanoid robot shipments in H1 2026, IDC data showsroboticsandautomationnews.com
Global humanoid robot shipments surge 432% in H1; China accounts for nearly 80%, Agibot overtakes Unitree for top spot — BigGo Financefinance.biggo.com
Humanoid Robot Shipments Jump 432%, China Has 95% Market Sharefinance.yahoo.com
Institutions: China's humanoid robot shipments exceeded 19,000 units in H1, accounting for about 77.9% of the global totalpanews.io
IDC: In the first half of the year, China shi...chaincatcher.com
Humanoid Robots Transition From Hand Assembly to Mass Production - QUE.comque.com
Milestone-Proposal:Honda's P2, First Bipedal Robot, 1996 - IEEE Milestones Wikiieeemilestones.ethw.org
Robots and Jobs in the US Labor Marketnber.org
NBER WORKING PAPER SERIES ROBOTS AND JOBS: EVIDENCE FROM US LABOR MARKETSnber.org
Robots are not always bad for employment and wages - ScienceDirectsciencedirect.com
Robots and wage polarisationcepr.org
5 million robots are now at work in factories worldwide, reports the IFR - The Robot Reporttherobotreport.com
IFR Reports Global Industrial Robot Fleet Reaches 5M as China Drives Growththeaiinsider.tech
The State of Humanoid Robotics in 2026: Trends, Challenges and Opportunitiestheaiinsider.tech
Top 10 humanoid robot startups to watch in 2026, ranked by total funding — TFNtechfundingnews.com
Humanoid Robotics Investment in 2026: Record $16.2B Funding, Top Companies, ETFs, and Ant Group's Robbyantstudioglobal.ai
Industrial Revolution: 500,000+ Robots Installed in 2024dcvelocity.com
Humanoid robotics, in chartsdealroom.co
Updated ISO 10218automate.org
News: Updated ISO 10218: Major Advancements in Industrial Robot Safety Standards Now Availableautomate.org
Standard Update Alerttuv.com
ISO 10218 industrial robot safety standard receives major overhaultherobotreport.com
Implementing Speed and Separation Monitoring in Collaborative Robot Workcellsresearchgate.net
ISO 13482 - Robots and robotic devices - Safety requirements for personal care robotsstandards.globalspec.com
ISO 13482:2014 - Robots and robotic devices — Safety requirements for personal care robotsiso.org
Robot Accident Investigation: a case study in Responsible Roboticsarxiv.org
Challenges and Outlook in Robotic Manipulation of Deformable Objectsarxiv.org
Trends and challenges in robot manipulationscience.org
Humanoid Factors: Design Principles for AI Humanoids in Human Worldsarxiv.org
Humanoid Robot Battery Selection: Battery Life, Capacity, and Future Trendscmbatteries.com
Whose Leading The Way In Robotics, Humaniods & Physical AI in 2026raisesummit.com
Complete Guide to Battery Selection for Humanoid Robots in 2026lybatt.com
Humanoid Robotics Challenges [2026] - Blog - RoboZapsblog.robozaps.com
Humanoid Robot Buyer's Guide 2026: Compare Models, Costs & Use Casesroboticscenter.ai
PP-Tac: Paper Picking Using Tactile Feedback in Dexterous Robotic Handsarxiv.org
Learning thin deformable object manipulation with a multi-sensory integrated soft handarxiv.org
Future of Humanoid Robots: What 2026 Is Provingblog.robozaps.com