人形机器人（Humanoid Robot）正在从科幻走向现实。过去六十年间，这一领域经历了从学术好奇到技术攻关、再到产业化破晓的三次跃迁。2023年以来，以Tesla Optimus大规模迭代、NVIDIA构建物理AI生态、中国工信部将人形机器人上升至国家战略优先级为标志，行业进入了一个前所未有的加速窗口。本章旨在为后续分析提供一个清晰的坐标系：首先界定讨论对象的边界与分类体系，继而回顾其从实验室原型到商业化前夜的完整发展历程，最后解析推动这一轮产业化浪潮的底层驱动力。

人形机器人的定义边界与分类体系

工程属性视角：八维分类框架

尽管"人形机器人"一词已被广泛使用，但学术界和工业界至今尚未形成一个统一的标准化定义。在现有研究中，最具系统性的分类尝试来自一项对该领域文献的综合梳理，该研究建立了一个包含八个维度的分类体系（Taxonomic Framework），试图从工程属性的角度对人形机器人进行全面界定。

这八个维度分别是：功能（研究、工业、服务、娱乐、教育），应用领域（医疗、家庭、工业、军事、空间探测），移动方式（固定基座、轮式、双足步行、多足、混合移动），交互能力（基础交互、高级交互、社交交互），操作复杂度（简单操作、复杂操作），自主程度（遥控、半自主、全自主），尺寸（成人尺寸、儿童尺寸），以及发展阶段（原型系统、商业产品）。

这一多维标签体系的价值在于，它不将人形机器人视为一个单一品类，而是承认其内部存在巨大的异质性——一台用于汽车产线的双足搬运机器人与一台用于康养机构的社交陪伴机器人，虽然都被称为"人形机器人"，但在技术栈、商业模式和社会影响上几乎是完全不同的产品。这种分类方式为精准的技术分析和市场细分提供了基础框架。

智能化水平视角：三范式分级

与上述"横截面"式的多维分类互补，另一项研究从智能化水平的纵向演进角度，提出了人形机器人的三个递进范式：

第一范式为"人形外观"（Human-looking），即机器人具备人类的基本外形特征，但智能化水平有限，行为主要依赖预编程或简单规则；第二范式为"功能类人"（Human-like），即机器人在特定任务上展现出接近人类的能力，具备一定的环境感知、决策与交互能力；第三范式为"人类水平"（Human-level），即机器人具备真正的具身智能，能够在开放环境中自主学习、推理和社交，甚至展现出某种程度的"人性"。

该研究同时定义了一套完整的评估矩阵，包括功能性规范（外观、大脑、感知力、组织、控制等）和非功能性规范（相似度满意度、能力成熟度、性能评估、影响评估），为判断一台具体的人形机器人处于哪个发展范式提供了量化参照。该研究明确指出："没有任何现有的人形机器人真正拥有人类水平的AI或人性"——当前绝大多数平台仍处于第一到第二范式之间的过渡地带。

本报告的工作定义

上述两套分类体系从不同角度勾勒了人形机器人的概念版图。八维框架适合作为对讨论对象进行精细标签化的工具，三范式分级则适合标定行业所处的历史位置。需要指出的是，这两套体系均属学术研究中的理论框架，目前在ISO或国家标准层面尚未形成对"人形机器人"的统一规范性定义。

综合上述框架，本报告将讨论范围聚焦于成人尺寸（身高约130--190 cm）、以双足行走或混合移动为主要运动方式、具备一定自主感知与决策能力的人形机器人，涵盖从工厂到家庭、从工业到服务的多种应用场景，但不包括仅具有拟人头部或上半身的固定基座机器人以及纯遥控操作的人偶型设备。

发展历程回顾：从实验室原型到商业化前夜

三个历史阶段

人形机器人的技术演进可以被划分为三个相互衔接的历史阶段。

第一阶段：生物机制模拟（1970--1990）。这一阶段的核心任务是理解和复现人类的基本运动机理。日本早稻田大学（Waseda University）是这一阶段当之无愧的先驱——其从1973年启动的WABOT系列和后续的WABIAN项目，在双足步行的动力学建模与基础控制方面奠定了学科基础。这一时期的机器人更多是实验室中的科学仪器，而非面向应用的工程产品。

第二阶段：工程化实现（2000--2010）。以Honda ASIMO（2000年首次亮相，2011年版本达到57个自由度、48 kg体重、1.3 m身高）和Boston Dynamics Atlas（2016年版本：28个自由度、82 kg、1.65 m）为代表，这一阶段的重心从"能不能走"转向"走得多好"。工程团队投入大量资源提升硬件的可靠性、运动控制的鲁棒性以及人机交互的基本能力。Atlas展现出的跑酷、后空翻等极限运动能力，至今仍是该领域的标志性技术成就。

第三阶段：智能化与商业化（2020--）。以Tesla Optimus（2023年版本：40个自由度、56 kg、1.73 m）、Unitree H1/G1以及中国智元RAISE A1等为代表，这一阶段最显著的变化是人工智能技术的深度注入——大语言模型（LLM）、视觉-语言-动作模型（VLA）、端到端强化学习等技术使人形机器人从"预编程执行器"向"自主智能体"的方向跃迁。与此同时，Tesla、NVIDIA等科技巨头的大规模投入，以及全球数十家初创企业的涌入，使商业化前景首次变得具体而可期。

当前阶段判断：从研发到批量生产的过渡期

对于行业当前所处的历史位置，多份独立的产业报告给出了高度一致的定性判断。一份聚焦全球供应链的研究报告指出："全球人形机器人产业发展迅速，迄今为止的进展表明，到2025年，该行业可能正进入从研发阶段到批量生产阶段。"另一份市场预测报告则给出了更为激进的判断，预计"2024年底开始出现批量生产"。从学术视角审视，研究者同样认为"人形机器人正从原型研发转向商业可行性验证"。

两份报告在时间节点上存在约半年至一年的差异，这主要源于"批量生产"这一概念的定义口径不同：前者所指的批量生产更接近规模化量产（年产万台以上），后者可能将少量试产（数百至数千台）也纳入了"批量"的范畴。无论采用哪种口径，一个基本共识是明确的：行业正处于从实验室/小批量试产向规模化商业部署的关键过渡窗口。

从技术就绪度（Technology Readiness Level, TRL）的角度来看，当前行业呈现出明显的分层格局。处于TRL 8--9（接近或已达部署状态）的包括已成熟的执行器设计以及来自Tesla和Boston Dynamics的旗舰产品。处于TRL 6--7（技术可行性已验证、进入限量生产）的包括Unitree G1和LimX CL-1等新兴平台。而大多数学术界的算法原型仍处于TRL 3--4阶段（实验室环境下的概念验证）。这一分层结构意味着，产业化的推进并不是一条均匀的战线，而是由少数头部平台率先突破、随后带动整个技术栈向商业可行性收敛的过程。

以Tesla Optimus为例，市场预期其出货节奏将呈现指数级增长：2025年5,000--10,000台，2026年50,000--100,000台，2027年500,000--1,000,000台。2025年被视为行业的关键催化年份，重要事件节点包括：3月的NVIDIA GTC大会、7--8月的中国世界人工智能大会（WAIC）和世界机器人大会（WRC），以及10--12月Tesla可能推出面向外部销售的Optimus Gen 4。

驱动力分析：为什么是现在

人形机器人的概念已存在半个多世纪，但直到2020年代才真正迎来产业化的临界点。这并非偶然，而是三股结构性力量在同一时间窗口内形成了罕见的共振。

人工智能的突破：从"预编程"到"自主学习"

第一股力量来自人工智能领域的范式级突破。过去数十年间，人形机器人的行为能力始终受限于手工编写的规则和有限的控制算法。2020年代以来，大语言模型（LLM）、视觉-语言-动作模型（VLA）、端到端强化学习以及跨具身学习（Cross-Embodiment Learning）等技术的涌现，使机器人第一次具备了在未见过的环境和任务中进行泛化推理的可能性。这意味着人形机器人不再需要为每一个新场景从头编写控制程序，而是可以通过大规模数据训练和迁移学习获得跨任务的通用能力。

这一变化的影响是根本性的：它将人形机器人从"专用自动化设备"的品类推向"通用智能体"的品类，从而极大地扩展了其潜在应用场景和市场空间。尽管当前AI技术在实时性、可靠性和能耗方面仍面临严峻挑战（详见第二章和第六章的分析），但其带来的能力跃迁已足以改变产业界的预期和投资逻辑。

组件成本的快速下降：硬件经济性拐点临近

第二股力量来自核心零部件成本的持续下降。传感器、执行器和计算芯片在过去几年中经历了显著的成本缩减，使得整机的物料清单（BOM）成本出现了接近"摩尔定律"式的下降曲线。

根据产业报告的数据，高规格人形机器人的整机BOM成本从2022年的约25万美元降至2023年的约15万美元，单年降幅达到40%。展望未来，随着行星滚柱丝杠等关键零部件的加工工艺从电火花加工（EDM）转为机械加工、以及大规模量产带来的规模效应，预计到2035年整机BOM将进一步降至约1.7万--1.95万美元。与此同时，单台平均售价（ASP）预计从2024年的约9.4万美元降至2035年的约2.7万美元。以已上市的Unitree G1为例，其已经实现了约1.6万美元的定价，展示了低规格平台的成本下限正在被快速拉低。

这一降本趋势的战略意义在于，它正在使人形机器人的经济性逐步逼近与人类劳动力直接比较的临界点。以美国制造业为参照，一名工人的综合人力成本为每小时46美元（含福利），年均约92,420美元，10年累计成本的净现值约为55万美元。当一台人形机器人的全生命周期成本（包括购置、维护、能源和折旧）降至这一数字以下时，大规模替代将在经济逻辑上变得不可阻挡。

全球劳动力短缺：一种人口统计学的必然要求

第三股力量来自发达经济体日益严峻的劳动力结构性短缺。人口老龄化和生育率持续下降正在从根本上改变劳动力市场的供给侧。在制造业、物流、康养等对体力劳动高度依赖的行业中，劳动力缺口已经从"周期性困难"演变为"结构性不可逆趋势"。与此同时，煤矿、核电维护、化工等行业的高伤亡率，也为人形机器人在危险环境中替代人类提供了强烈的安全性需求。

正因如此，人形机器人被一些分析者定性为一种"人口统计学的必然要求"（demographic imperative）——它不是一个"是否需要"的问题，而是一个"何时到来"的问题。从这一视角出发，人形机器人的终极价值主张不仅是降低成本，而是使体力劳动与经济产出实现根本性的脱钩，从而在劳动适龄人口持续萎缩的背景下维持经济增长。

政策推动：国家战略的加速效应

在上述三股市场化力量之外，各主要经济体的产业政策正在发挥显著的加速作用。在中国，工信部于2023年10月发布了人形机器人创新发展指导意见，将人形机器人提升至国家战略优先级。上海和北京相继发布了制造业高质量发展三年行动计划，明确将人形机器人列为重点培育方向。2024年1月，应急管理部与工信部联合发布了发展应急机器人的专项计划，进一步拓展了人形机器人在特种作业领域的政策空间。工信部还计划在2024年内推出更为具体的行动方案。

这些政策信号的叠加效应不容低估：它们不仅为技术研发提供了直接的资金和资源支持，更重要的是向产业链上下游传递了明确的方向信号，加速了资本配置和人才聚集。目前，美国、日本、欧盟等主要经济体也在各自的AI和机器人战略中对人形机器人给予了不同程度的关注，但系统性的国际政策对比分析超出了本报告的核心范围，此处不做展开。

三力共振：一个自我加速的正反馈循环

上述三股力量——AI突破、成本下降、劳动力短缺——并非孤立作用，而是通过正反馈循环相互强化。AI能力的提升扩大了人形机器人的适用场景，场景的扩大带来更大的市场规模预期，规模预期吸引更多资本投入，资本投入加速了硬件降本和AI研发，降本又进一步打开新的应用场景。与此同时，劳动力短缺提供了持续的需求拉力，而政策支持则降低了产业化的摩擦系数。

正是这种多因素的同步汇聚和相互加速，解释了为什么人形机器人在概念提出半个世纪之后，恰恰在2020年代迎来了产业化的真正拐点。这也意味着，与此前多次"狼来了"式的技术炒作周期不同，当前这一轮产业化浪潮具有更为坚实的结构性基础——尽管在具体的技术路径和商业化节奏上仍存在相当大的不确定性（详见第五章和第八章的讨论）。

第一章已经确立了人形机器人产业正处于从实验室原型向规模化商业部署过渡的关键窗口。这一判断的技术基础是什么？当前技术栈的各个层次分别达到了怎样的成熟度？制约产业化的核心瓶颈又在哪里？本章将对人形机器人的完整技术栈进行逐层拆解，从机械本体与执行器硬件出发，经由传感与感知系统、运动规划与控制算法，上升至大模型驱动的认知与决策层，最后审视仿真平台与数据基础设施。目标是为读者建立一张技术全景地图，使后续章节对竞争格局、供应链和商业化路径的讨论具备坚实的技术根基。

技术架构总览：感知--决策--执行的三层闭环

从系统工程的视角来看，一台人形机器人可以被抽象为一个"感知--决策--执行"的三层闭环体系。感知层负责从多模态传感器（视觉、力觉、惯性、触觉等）中提取环境信息；决策层负责基于感知信息进行任务规划、路径规划和行为决策；执行层则通过关节电机、液压缸或其他执行器将决策转化为物理世界中的运动和力。三者之间的信息流构成一个实时闭环：感知结果驱动决策更新，决策输出指令给执行器，执行结果又通过传感器反馈回感知层，整个循环的频率通常需要达到数百赫兹乃至千赫兹级别才能维持稳定的动态平衡和灵巧操作。

这一基本架构与传统工业机器人并无本质区别，但人形机器人的特殊之处在于三个维度上的极端要求。第一是自由度数量：典型工业机械臂具有6--7个自由度，而一台全身人形机器人通常需要28--57个自由度来实现双足步行、双臂协作和灵巧手操作，这使得运动控制的计算复杂度呈指数级上升。第二是非结构化环境：工业机器人工作在精确标定的固定工位上，而人形机器人需要在家庭、街道、工厂车间等充满不确定性的开放环境中运行，这对感知系统的鲁棒性和决策系统的泛化能力提出了远高于传统机器人的要求。第三是动态平衡：双足步行本质上是一种受控的"持续跌倒与恢复"过程，要求极低的控制延迟和极高的状态估计精度，任何一个环节的失效都可能导致整机倾覆。

正是这三重挑战的叠加，解释了为什么人形机器人在工程实现上远比轮式或固定基座机器人困难，也解释了为什么近年来AI技术的突破对这一领域产生了如此深远的影响——AI提供了一种在高维度、非结构化、动态环境中进行有效决策的新范式。

硬件层：机械本体与执行器

整体构型与自由度设计

人形机器人的机械本体设计在过去二十年中经历了从"尽可能多的自由度"到"功能驱动的最优自由度配置"的理念转变。早期的ASIMO追求高达57个自由度的全面拟人化，而Tesla Optimus的设计哲学则更为务实——其40个自由度（全身28个加上双手12个）是在制造成本、控制复杂度和任务需求之间反复权衡的结果。这一趋势反映了行业从"仿生追求"向"工程最优"的思维转向：在不影响核心任务能力的前提下，每减少一个自由度，就意味着少一个电机、少一个驱动器、少一个潜在的故障点，以及更低的整机成本和更高的可靠性。

从结构设计来看，当前主流人形机器人的机械构型通常包括头部（1--3个自由度，主要用于视觉跟踪）、躯干（2--3个自由度，提供腰部旋转和俯仰）、双臂（每臂6--7个自由度，对标人类肩--肘--腕的运动链）、双手（每手5--12个自由度，取决于灵巧度要求）和双腿（每腿5--6个自由度，实现髋--膝--踝的三关节步行）。在材料选择上，铝合金和碳纤维复合材料是目前的主流方案，少数研究团队开始探索钛合金框架以提升强度重量比。

执行器技术路线：电驱、液压与新兴方案

执行器（Actuator）是人形机器人的"肌肉"，其性能直接决定了机器人的力量、速度、精度和能效。当前业界存在三条主要的技术路线，各自拥有明确的优势域和局限性。

电驱方案是目前商业化程度最高的技术路线，被Tesla Optimus、Unitree G1/H1、Agility Robotics Digit等主流平台所采用。其核心组件是无刷直流电机（BLDC）搭配减速机构（谐波减速器或行星减速器），优势在于控制精度高、响应速度快、维护简便且成本随量产快速下降。Tesla Optimus的执行器设计尤其值得关注：其Gen 2版本采用了14个旋转执行器和14个线性执行器的混合配置，并通过行星滚柱丝杠（Planetary Roller Screw）将旋转运动转化为线性运动，在力密度和反向驱动性能（back-drivability）之间取得了良好的平衡。电驱方案的主要短板在于功率密度（W/kg）相对于液压系统仍有明显差距，在需要爆发性大力矩输出的场景中（如搬运重物、快速奔跑）表现受限。

液压方案以Boston Dynamics Atlas为代表，其最大优势是极高的功率密度和抗冲击能力，使Atlas能够完成跑酷、后空翻等极限运动动作。然而液压系统固有的缺点——体积大、重量高、能效低、维护复杂、存在液压油泄漏风险——使其在商业化场景中面临严峻挑战。值得注意的是，Boston Dynamics在其最新一代Atlas（2024年电动版本）中已经放弃了液压路线而转向全电驱，这一战略转向本身就是对"液压在商业化中不可行"这一行业共识的有力佐证。

新兴方案主要包括柔性执行器（Soft Actuator）和人工肌肉（Artificial Muscle）。柔性执行器采用弹性材料或气动/液压弹性体，在安全性和自适应性方面具有天然优势，特别适合需要与人类近距离交互的场景。人工肌肉技术（如介电弹性体、形状记忆合金等）则试图从根本上复现生物肌肉的高能效和高功率密度，但目前仍处于实验室研究阶段，在寿命、控制精度和可重复性方面距离工程化应用还有相当距离。

从产业化的角度来看，电驱方案几乎已经"赢得"了当前这一代人形机器人的执行器竞赛。行星滚柱丝杠作为电驱执行器中的关键传动部件，正在成为供应链竞争的焦点——其加工精度和量产能力直接影响整机的性能和成本（详见第四章供应链分析）。远期来看，柔性执行器和人工肌肉有可能在特定细分场景中找到应用窗口，但在未来五到十年的产业化主赛道中，电驱将保持绝对主导地位。

灵巧手：被低估的关键子系统

如果说双足行走是人形机器人的"入场券"，那么灵巧手（Dexterous Hand）则是其能否在实际任务中产生价值的"分水岭"。人类的手拥有约25个自由度和超过17,000个触觉感受器，这使得手的操作几乎涵盖了从精密装配到日常生活的全部物理交互。复现这一能力是人形机器人领域最具挑战性的工程问题之一。

当前主流的灵巧手方案在自由度数量上从5个（简单抓握）到16个（精细操作）不等。Tesla Optimus Gen 2的手部具有11个自由度，采用肌腱驱动（Tendon-driven）方式，在所有手指的指尖都集成了触觉传感器，能够完成鸡蛋抓取等需要精细力控的任务。一些学术平台（如Shadow Hand）虽然达到了更高的自由度和更接近人手的拟人度，但其高昂的成本（单手超过10万美元）和有限的耐久性使其难以进入商业化产品。

灵巧手面临的核心技术挑战可以归纳为三个相互耦合的难题：一是在极其有限的空间内集成足够多的驱动单元和传感器（即机电一体化的封装密度问题）；二是实现手指与物体之间的实时接触力控制（即触觉感知与力控问题）；三是学习和泛化到海量未见过的物体形状和材质（即灵巧操作的AI泛化问题）。第三个问题在近两年取得了显著进展，这在很大程度上得益于仿真环境中大规模强化学习的应用以及真实世界遥操作数据的规模化采集（详见本章后续关于仿真平台和数据引擎的讨论）。

传感与感知系统

多模态传感器配置

人形机器人的传感器体系需要同时服务于三个层次的需求：本体感知（Proprioception）——了解自身关节角度、速度和力矩的状态；环境感知（Exteroception）——理解周围环境的三维结构、物体位置和动态变化；以及交互感知（Interaction Perception）——检测和量化与物体或人类之间的接触力。

在本体感知方面，编码器（光电或磁性）和惯性测量单元（IMU）是标准配置，技术已相当成熟，主要的改进方向是小型化和提高抗电磁干扰能力。在环境感知方面，当前的主流方案是RGB-D深度相机（如Intel RealSense系列）与激光雷达（LiDAR）的组合，辅以超声波和红外传感器进行近距离补盲。视觉系统通常配置在头部（提供全局视野）和手腕或手指（提供操作区域的局部精细视觉），形成"眼在头"加"眼在手"的双层视觉架构。在交互感知方面，六维力/力矩传感器被安装在腕部和踝部关节，用于步态平衡和操作力控；而分布式触觉传感器（如基于压阻、电容或光学原理的触觉皮肤）则正在从实验室走向工程化集成，但在成本、耐久性和空间分辨率方面仍面临显著挑战。

从原始数据到环境理解：感知算法的演进

传感器只是感知的起点，真正的挑战在于如何从海量的原始传感数据中提取出机器人可以用于决策的结构化信息。这一过程在过去五年中经历了深刻的范式变革。

传统的感知流水线采用模块化的"检测--识别--定位--建图"架构：目标检测网络负责识别物体类别和边界框，点云处理算法负责三维重建，SLAM（同步定位与建图）算法负责构建环境地图并实时估计机器人自身的位姿。这一架构的优点是每个模块可以独立开发和调试，缺点则是模块间的信息损失和误差累积往往导致系统在复杂场景中的鲁棒性不足。

近年来，以视觉基础模型（Vision Foundation Model，如DINO、SAM等）和视觉-语言模型（VLM，如GPT-4V、Gemini等）为代表的大模型技术，正在推动感知系统向"端到端"和"开放词汇"的方向演进。"端到端"意味着从原始像素直接输出语义丰富的场景理解结果，减少中间模块的信息瓶颈；"开放词汇"意味着系统可以识别训练集中从未出现过的物体类别，只要提供自然语言描述即可。这一能力的跃迁对人形机器人的意义尤为重大——在非结构化环境中，机器人需要处理的物体种类和场景变化远超任何预定义的类别列表，只有具备开放词汇感知能力的系统才有可能应对真实世界的长尾分布。

然而，这些大模型目前的推理延迟（通常在数百毫秒到数秒级别）与实时控制的需求（毫秒级别）之间存在数量级的鸿沟。如何在边缘计算平台上以可接受的延迟和能耗运行这些大模型，是当前最紧迫的工程挑战之一（详见本章关于计算平台的讨论）。

运动规划与控制

双足步行控制：从ZMP到强化学习

双足步行控制是人形机器人领域历史最悠久、研究最深入的技术分支。其核心难点在于双足行走的动态本质——在每一步的摆动相（Swing Phase）中，机器人仅靠单足支撑，重心持续处于不稳定的动态过渡之中，需要精确的实时补偿才能避免跌倒。

在过去二十年中，基于零力矩点（Zero Moment Point, ZMP）的规划方法是绝对的主流范式。ZMP方法的核心思想是将机器人的步行问题简化为一个线性倒立摆模型，通过规划质心轨迹使ZMP始终落在支撑多边形内，从而保证静态或准静态稳定性。Honda ASIMO和HRP系列机器人的步行控制均建立在这一理论基础之上。ZMP方法的优势在于物理直觉清晰、可解释性强、实时性好，但其根本局限也同样明显：它本质上是一种"保守"策略，要求机器人始终维持在近平衡状态，因此难以应对快速奔跑、跳跃、地形突变等需要大幅偏离平衡点的动态场景。

2016年前后，基于模型预测控制（Model Predictive Control, MPC）的方法开始在学术界获得广泛关注。MPC在每个控制周期内求解一个短时域的最优控制问题，能够更灵活地处理约束（如关节角度限制、地面摩擦力限制等）和非线性动力学。Boston Dynamics Atlas的许多高动态运动（如跑酷和体操动作）被认为大量使用了MPC或其变体。MPC的挑战在于实时求解非线性优化问题的计算负担，通常需要高性能嵌入式处理器和精心设计的问题简化策略。

2020年代以来，基于深度强化学习（Deep Reinforcement Learning, DRL）的端到端控制方法异军突起，正在深刻改变双足步行控制的技术格局。DRL方法的核心理念是：不再手工设计控制器或指定参考轨迹，而是让神经网络策略（Policy Network）在大规模仿真环境中通过试错学习自动发现最优的步行策略。这一方法在2023--2024年取得了令人瞩目的成果——多个研究团队展示了在仿真中训练、直接迁移到真实硬件上的鲁棒步行策略（即"Sim-to-Real Transfer"），机器人能够在未见过的崎岖地形、楼梯、斜坡甚至被外力推搡的情况下保持稳定行走。

DRL相对于传统方法的优势主要体现在三个方面：一是鲁棒性——通过在仿真中对物理参数（摩擦系数、质量分布、地形高度等）进行大规模随机化（Domain Randomization），DRL策略天然具备对环境不确定性的泛化能力；二是自适应性——策略网络可以直接处理高维传感输入并输出关节力矩指令，无需中间的状态估计或运动规划模块；三是动态能力——DRL策略不受ZMP等静稳定约束的限制，可以学习到高度动态的运动行为（如奔跑、跳跃、急停转弯等）。

然而，DRL方法目前也面临不可忽视的挑战：可解释性差——当策略网络做出一个意外的决策时，工程师很难追溯其原因；安全保证困难——难以从形式化的角度证明策略在所有可能的状态下都不会导致危险行为；以及Sim-to-Real Gap——仿真环境与真实世界之间不可避免地存在建模误差，这可能导致策略在迁移后性能退化。解决这些问题是当前研究的活跃前沿。

全身运动控制与多任务协调

双足步行只是人形机器人运动控制的一个维度。在实际应用中，机器人需要在行走的同时完成上肢操作、头部视觉跟踪、躯干平衡补偿等多个任务的协调，这就是所谓的"全身运动控制"（Whole-Body Control, WBC）问题。

WBC的经典框架是基于任务优先级的逆动力学方法（Task-Priority Inverse Dynamics）：将多个任务（如"末端执行器到达目标位置""维持躯干平衡""避免关节极限"等）按优先级排列，在高优先级任务的零空间中求解低优先级任务的最优关节加速度。这一方法在理论上优雅，但在实际工程中面临任务冲突、数值稳定性和实时性等问题。

近年来，将DRL与WBC相结合的混合架构正在成为一种有前景的方向：DRL负责高层行为决策（如"向左转弯""蹲下拾取物体"），WBC负责底层的动力学一致性和安全约束执行。这种分层架构既保留了DRL的灵活性和自适应性，又通过WBC层提供了一定程度的安全保障和物理一致性。

灵巧操作控制

灵巧操作（Dexterous Manipulation）是人形机器人实现实际任务价值的核心能力，也是当前技术栈中最具挑战性的环节之一。与步行控制主要面对地面接触这一种接触模式不同，灵巧操作需要处理手指与各种形状、材质、重量物体之间的复杂接触，接触模式可能在毫秒级别内从滑动切换到滚动再到分离，接触力的大小和方向也在持续变化。

该领域的研究综述将灵巧操作的方法谱系划分为三大类：基于分析的方法（利用接触力学和优化理论进行抓取规划和力分配）、基于数据驱动的方法（利用深度学习从大规模演示或仿真数据中学习操作策略）、以及混合方法（将物理模型先验嵌入学习框架作为归纳偏置）。

当前最引人注目的进展来自大规模模仿学习（Imitation Learning）与强化学习的结合。通过人类遥操作采集真实世界的操作演示数据，然后使用行为克隆（Behavioral Cloning）或DAgger等算法训练操作策略，已经在门把手旋转、物体重排、工具使用等任务上取得了令人鼓舞的成果。然而，数据采集的高成本和策略向新物体、新任务泛化的困难，仍是制约这一路线大规模应用的主要瓶颈。

大模型赋能：从语言理解到具身行动

大模型介入的技术范式

2023年以来，大语言模型（LLM）和多模态大模型（MLM）对人形机器人领域的渗透速度远超预期。这一渗透并非简单地将ChatGPT"装进"机器人的处理器中，而是在技术栈的多个层次上引发了范式性的变化。

在任务理解与规划层，LLM/VLM被用作高层任务规划器（High-Level Task Planner）。给定一条自然语言指令（如"请把桌上的杯子放进洗碗机"），LLM可以将其分解为一系列原子化的子任务序列（"走向桌子""识别杯子""抓取杯子""走向洗碗机""打开门""放入杯子""关闭门"），每个子任务再交由下层的运动规划和控制模块执行。这一能力在SayCan（Google, 2022）、Inner Monologue和Code as Policies等里程碑式工作中得到了验证。

在感知与语义理解层，VLM（如GPT-4V、Gemini）使机器人具备了开放词汇的场景理解能力。机器人不再需要依赖预定义的物体类别库，而是可以用自然语言描述来查询场景中的任意目标（如"找到那个红色的、有裂纹的马克杯"），极大地提升了在非结构化环境中的感知灵活性。

在决策与动作生成层，视觉-语言-动作模型（Vision-Language-Action Model, VLA）是当前最具前沿性的研究方向。VLA模型（如RT-2、Octo等）试图建立从视觉观测和语言指令直接到机器人动作序列的端到端映射，跳过传统的感知--规划--控制流水线。如果这一路线能够成功，它将从根本上简化人形机器人的软件架构，并大幅降低针对新任务的开发成本。然而，VLA模型目前在动作精度、实时性和安全性方面仍与工程化要求存在显著差距。

NVIDIA的生态布局：从芯片到仿真到模型

在大模型赋能人形机器人的产业化进程中，NVIDIA正在扮演一个独特的"全栈基础设施提供者"角色。NVIDIA的布局横跨硬件和软件两个维度。

在硬件层面，NVIDIA Jetson系列（特别是Jetson Thor）被定位为人形机器人的"大脑芯片"，提供在边缘端运行大模型推理的算力基础。在软件和平台层面，NVIDIA Isaac Sim提供了高保真的物理仿真环境，支持大规模并行的机器人训练；NVIDIA Isaac Lab则提供了面向强化学习和模仿学习的标准化训练框架和基准任务集；Project GR00T被定位为人形机器人的基础模型（Foundation Model）计划，目标是建立一个可以跨平台迁移的通用具身智能模型。

NVIDIA生态的战略意义在于，它试图在人形机器人领域复制其在GPU计算和自动驾驶领域的"平台锁定"模式——通过提供从芯片到仿真到模型的全栈工具链，使开发者生态围绕NVIDIA平台聚集，从而在产业化早期就建立起难以替代的基础设施地位。这一布局的成功与否，将对人形机器人行业的技术标准和竞争格局产生深远影响（详见第三章竞争格局分析）。

大模型的局限与"幻觉"风险

尽管大模型为人形机器人带来了巨大的能力提升，但其固有的局限性在具身智能场景中被进一步放大。LLM/VLM的"幻觉"问题（Hallucination）——即模型自信地给出事实上不正确的输出——在纯文本场景中或许只是一个令人困扰的缺陷，但在控制一台物理机器人时，一次"幻觉"性的错误规划可能导致机器人做出危险的动作（如将锋利物体递向人类面部、走向悬崖边缘、对障碍物视而不见等）。

此外，大模型的推理延迟、能耗和计算资源需求与嵌入式部署的严格约束之间存在根本性矛盾。一台人形机器人不可能携带一个数据中心级的GPU集群，而当前最先进的VLA模型在单次推理中往往需要数百毫秒到数秒的时间，这与实时控制所需的毫秒级响应格格不入。模型量化、知识蒸馏、边缘专用芯片等工程化压缩手段正在被积极探索，但距离满足实时具身控制的需求仍有相当差距。这些问题使得大模型在短期内更适合作为高层规划和语义理解的辅助工具，而非直接接管底层运动控制的执行者。

仿真平台与数据基础设施

仿真驱动开发：从辅助工具到核心基础设施

在人形机器人的开发流程中，物理仿真平台的角色正在从"辅助测试工具"跃升为"核心开发基础设施"。这一转变的驱动力来自两个方面：一是深度强化学习对海量交互数据的刚性需求——训练一个鲁棒的步行策略通常需要数亿甚至数十亿步的仿真交互，这在真实硬件上不仅耗时极长，而且存在损坏设备的风险；二是Sim-to-Real Transfer技术的持续进步——随着仿真保真度的提高和Domain Randomization等迁移技术的成熟，在仿真中训练的策略越来越能够直接部署到真实机器人上，仿真因此从"近似参考"变成了"可靠的训练场"。

当前主流的机器人仿真平台包括NVIDIA Isaac Sim、MuJoCo（现已被Google DeepMind开源）、PyBullet和Gazebo等。其中NVIDIA Isaac Sim因其基于RTX光线追踪的高保真渲染和GPU加速的大规模并行仿真能力，正在成为行业首选。Isaac Sim可以在单台工作站上同时运行数千个机器人实例，将原本需要数周的训练压缩到数小时。

数据引擎：遥操作与大规模数据采集

仿真之外，真实世界数据的采集正在成为人形机器人开发中另一个日益重要的基础设施环节。这主要源于模仿学习对高质量人类演示数据的强烈需求。当前最成熟的真实世界数据采集方式是遥操作（Teleoperation）：人类操作者通过外骨骼手套、VR控制器或力反馈设备远程控制机器人，在真实环境中完成各种操作任务，同时机器人端的传感器记录全部的视觉、力觉和关节状态数据，形成用于训练的"专家演示数据集"。

Tesla在数据采集方面的战略值得关注。其利用自身工厂中部署的Optimus原型机进行大规模的遥操作数据收集，并结合自动驾驶部门积累的海量视觉数据处理能力，构建了一个从数据采集到模型训练的闭环系统。这种将"产品部署"与"数据收集"统一在同一个物理环境中的策略，使Tesla在数据飞轮的积累速度上相对于纯学术团队具有显著的结构性优势。

跨平台数据共享是另一个值得关注的趋势。Open X-Embodiment（由Google DeepMind主导）等开放数据集计划正在尝试建立跨不同机器人硬件平台的标准化操作数据库，目标是使在一台机器人上采集的数据也能用于训练另一台具有不同运动学结构的机器人。如果这一方向取得突破，将大幅降低每一家机器人公司独立建设数据基础设施的成本。

计算平台与边缘推理

人形机器人对机载计算的需求呈现出一种独特的"双峰"特征：一方面，底层运动控制需要极低延迟（亚毫秒级）、高确定性的实时计算，通常由专用的实时控制器（如基于FPGA或专用MCU的控制板）承担；另一方面，感知、规划和大模型推理需要高吞吐量的GPU/NPU算力，对延迟的容忍度相对较高（数十毫秒到数百毫秒）。

这种双峰需求导致当前的计算架构通常采用异构设计：底层部署一个或多个实时控制器负责关节伺服和安全逻辑，上层部署一个嵌入式GPU平台（如NVIDIA Jetson Orin/Thor）负责感知处理和AI推理，两者之间通过高速总线（如EtherCAT或自定义CAN总线）通信。Tesla Optimus的计算架构被认为借鉴了其自动驾驶平台FSD Computer的设计经验，采用了自研的推理芯片来同时满足视觉处理和运动决策的需求。

算力的供需矛盾是当前计算平台面临的核心挑战。以VLA模型为例，即使经过量化和蒸馏，一个具有实用价值的VLA模型在推理时仍需要数十TOPS（Tera Operations Per Second）级别的算力。而嵌入式平台在散热、功耗（通常限制在30--60W）和体积方面受到严格约束。NVIDIA Jetson Thor的设计目标（800 TOPS INT8算力，功耗约100W）正是试图在这一矛盾中找到可行的工程平衡点，但其量产时间和实际性能仍有待验证。

云边协同（Cloud-Edge Collaboration）是缓解边缘算力不足的一种架构思路：将延迟敏感的底层控制和基础感知保留在边缘端，将计算密集但延迟容忍度较高的大模型推理卸载到云端服务器。然而，这一方案对网络连接的稳定性和带宽提出了严格要求，在工厂、家庭等网络条件参差不齐的部署场景中存在可靠性风险。因此，提升边缘端自主推理能力仍然是长期的主攻方向。

能源系统

能源系统是人形机器人工程中经常被低估但至关重要的约束因素。当前绝大多数人形机器人采用锂电池供电，典型的电池容量在1--2 kWh之间，整机功耗在200--800 W范围内（取决于运动状态和任务负荷），由此推算的连续工作时间通常在1--4小时之间。Tesla Optimus Gen 2搭载的电池包可支撑约2小时的连续活动，Unitree H1的标称续航约为3小时。

相比之下，一名成年人类在静息状态下的功耗约为80 W，在中等体力劳动时约为200--300 W，全天工作8小时并不需要"中途充电"。这意味着当前人形机器人的能效（完成单位任务所需的能量）仍远逊于人类生物系统。造成这一差距的根本原因并不仅仅在于电池的能量密度不足（虽然这确实是一个限制因素），更深层次的原因在于电机驱动系统的能量转换效率和机械传动链的损耗。人类的肌肉-肌腱系统通过弹性储能和被动动力学实现了极高的能量回收率，而当前的电机-减速器系统在每一次制动和负载变化中都会损失大量能量。

在应用场景层面，有限的续航时间直接限制了人形机器人在无法频繁充电的场景中的部署可行性。对于工厂等固定场景，自动充电坞和换班充电策略可以在一定程度上缓解这一问题；但对于家庭服务、户外巡检等场景，续航仍然是一个需要在产品设计初期就纳入核心考量的约束条件。在这一领域，当前尚未出现明确的技术突破方向，仍有待电池材料科学和高效执行器设计的进一步发展。

技术成熟度总评与关键瓶颈

综合以上各层技术的分析，可以对人形机器人技术栈的整体成熟度做出以下阶段性判断：

从技术就绪度的角度来看，硬件层是目前成熟度最高的部分。整机机械结构设计已相当成熟，电驱执行器在性能和成本方面均已逼近商业化要求，传感器体系（除分布式触觉外）基本满足工程需求。运动控制层处于快速跃迁之中——基于DRL的步行控制已经从实验室演示进入限量产品的搭载阶段，但全身协调控制和高动态运动在可靠性方面仍需大量工程验证。AI与认知层是进步最快但成熟度最低的部分——大模型带来了能力的巨大跃迁，但实时性、安全性和嵌入式部署方面的鸿沟意味着其在短期内更适合承担高层规划角色，而非直接接管底层控制。能源系统和计算平台则属于"可用但远未理想"的状态，构成了产品体验和部署场景的硬约束。

将这些判断归纳为一个核心命题：当前人形机器人的硬件能力已经基本具备了在受控环境中完成实际任务的条件，但软件和AI层的鲁棒性和泛化能力尚未达到在开放环境中无监督部署的要求。正是这一"硬件领先、软件追赶"的不对称格局，定义了当前行业的技术主要矛盾，也指明了未来三到五年的核心攻关方向：不是制造更强的硬件，而是开发出配得上这些硬件的智能软件。