超越博尔特！“硅基”机器人全自主时代来临：无“人”操控如何奔跑？

每经记者：可杨 杨卉 每经编辑：魏官红 | 徽声在线整理

8月26日，第二届世界人形机器人运动会圆满收官。本届赛事中，两个极具冲击力的场景给观众留下了深刻印象，不仅展现了机器人技术的飞速进步，也揭示了全自主时代面临的挑战与机遇。

在100米大型组决赛中，天工Ultra机器人以8.64秒的惊人成绩夺冠，这一成绩不仅大幅超越了博尔特9.58秒的人类百米世界纪录，更令人瞩目的是，与上一届21.50秒的夺冠成绩相比，天工Ultra在短短一年内将百米用时缩短了超过一半，展现了机器人速度提升的惊人潜力。然而，高速冲过终点后，几台机器人因未能及时减速而径直撞向缓冲垫，甚至有机器人在倒地后被担架抬离赛场，这一幕也引发了人们对机器人自主控制能力的深入思考。

而在400米小型组赛场中，北京人形机器人创新中心的天工Omni则以一种别具一格的方式吸引了众人目光——它双臂抬到脸旁、身体大幅前倾，以“捂脸狂奔”的姿势冲过赛道，这一独特跑姿不仅展现了机器人的个性化表达，也反映了自主模式下机器人动作生成的多样性。

这两个看似迥异的比赛场景，实则背后有着共同的逻辑：参赛机器人正在从“被遥控”向“全自主”迈进，这一转变不仅考验着机器人的技术实力，也预示着机器人技术发展的新方向。

根据赛事规则，本届机器人运动会将400米、1500米和4×100米接力等径赛全部升级为“全自主”赛项，这意味着机器人需要在没有人工干预的情况下完成比赛。同时，对于难度更高的障碍赛，则取消了依据操作方式计算成绩的系数，直接考察机器人在复杂路况下的通过能力，这一规则调整进一步推动了机器人自主技术的发展。

“硅基”生命正在甩开遥控器，但这一过程并非一帆风顺。从遥控到自主，机器人需要经历一场深刻的变革。

从遥控到自主：机器人开始自己决定怎么跑

甩开遥控器，意味着机器人需要具备实时判断自身位置、规划路线，并将路线转化为关节动作的能力，实现自我控制。这一转变首先改变的是人与机器之间的分工——人不再持续下达每一个动作指令，而是给出整体目标，机器人则需增加外部感知装备，以满足达成目标所需的必要支持。

北京人形机器人创新中心运动控制算法专家韩刚透露，为了实现自主导航，机器人头上会顶一个雷达，进行全局定位，如此一来，机器人便能实时知道自己的位置，自行规划路线，沿着跑道前进。这种转变不仅提高了机器人的自主性，也对其感知和决策能力提出了更高要求。

去年的运动会上，一些厂商选择巡线跑的策略，即依靠电机本体反馈被动探路。然而，随着速度的提升和竞争的加剧，这一模式已难以满足需求。今年的模式变成了人给出目标，机器人自行组织动作以求达成目标，这一过程中，机器人选择的“动作”各有特色，如天工Omni的“捂脸跑”。

韩刚解释称，一开始他们设计的是正常人百米跑步的模式，但机器人在仿真过程中不断用数据迭代，最终选择了“捂脸跑”这一更舒适的方式。人在跑步时摆臂是为了保证角动量的平衡，而机器人也需要通过身上某个地方的转动来保持平衡。这种基于数据迭代的动作生成方式，展现了机器人在自主模式下的学习能力和适应性。

韩刚进一步介绍，此次整个田径竞速都要求采用自主模式，不能用遥控。团队只下达了一个奔跑的指令，包括导航、避障、停止等，都是机器人自行完成。这种训练方式与教育小朋友相似，表现好了会有奖励，表现不好也会有批评，通过不断的反馈和调整，机器人逐渐学会了如何自主完成任务。

更复杂的检验来自100米障碍赛。相比规则跑道上的确定位置并沿线前进，障碍赛要求机器人根据地形实时改变动作。面对台阶、窄通道和起伏路面，机器人需要在高速行进中连续完成绕障、越障和通过受限空间，同时兼顾机动、平衡、感知导航与全身姿态调整。这一挑战不仅考验着机器人的技术实力，也推动着其自主能力的不断提升。

8月24日晚，智元灵犀X2夺得该项目金牌。智元方面称，灵犀X2以量产版本参赛，没有改装本体，而是引入了视觉感知技术，并基于AGILE生成式通用小脑引擎框架进行自主或半自主决策。参数辨识则用于缩小仿真与现实的差距，提高机器人的适应性和鲁棒性。

弯道比直线更难：凸显自主运动短板

探讨机器人的“自主”，不得不提及两个核心问题：一是机器人能否通过相机、雷达和定位系统看清自己在哪里、前方有什么，进而决定沿哪条路线走；二是它能否调动关节和全身，把路线执行出来。前者解决感知与导航问题，后者更接近小脑所负责的平衡、步态和全身控制。

当机器人从直线跑进入弯道时，问题会进一步复杂。相比于直线跑，转弯需要增加横向力和身体旋转，机器人需要改变脚的落点，同时调节躯干倾角、手臂和腰部运动，以抵消全身旋转产生的角动量。这一过程中，任何一个环节的失误都可能导致摔倒或失控。

韩刚介绍称，长跑更考验散热能力，而短程则更考验急速爆发能力。在短程比赛中，为了保证爆发力，会给机器人设置非常高的上限，但这也导致了一些问题，如转弯出弯时不太好控制。北京人形机器人创新中心人形部负责人郭宜劼则表示，人形机器人高速奔跑时，过弯规范和自主导航已经与摩托车比较接近，这意味着过弯不是简单改变方向，而要同时处理身体前倾、重心下降、关节输出和路线控制等多个环节。

因此，“不会拐弯”成为人工遥控退出后才会充分显现的问题。在自主模式下，机器人必须独立完成从感知到动作的闭环，短板无法再由场外操作员补偿。这一挑战推动着机器人技术的不断进步和创新。

为了赢下比赛：机器人撞上缓冲垫

在400米大型组决赛中，郭宜劼观察到对手的机器人起步更快，而天工的起步加速相对较慢，但极速更高。最终，天工依靠后半程提速完成反超。正如人参与比赛时的策略各有不同，机器人也需要自己决定起步、加速、极速和过弯怎样分配时间。以天工为例，为了发挥优势赢得比赛，天工在后半程要尽量保持极速。

从技术角度而言，既然高速过弯困难，最直接的办法似乎是提前减速以提高稳定性。然而，在竞速赛里减速首先意味着时间损失，这是个需要取舍的问题。此外，机器人如今已经能够依靠相机、雷达和全局定位判断位置，并由算法完成导航、避障和停止等任务。但困难的是它能否在高速中判断何时开始减速、把速度降到什么程度，并让关节与全身姿态同步响应。

2025年末发布的一项人形机器人高速越障研究指出，与始终至少有一只脚接触地面的行走相比，奔跑对峰值功率、落地冲击、状态估计和接触条件都提出了更高要求。不同速度还对应不同的支撑时间、腾空时间和肢体摆动策略；如果落脚时机或支撑时间选择不当，机器人可能出现腿部过度伸展、打滑或失衡等问题。

因此，减速需要机器人准确估计自身速度和地面摩擦情况、规划系统要生成新的落脚点、电机和关节要在短时间内提供足够的反向转矩、足部则要承受突然增大的地面作用力。这一系列复杂操作对机器人的技术实力提出了极高要求。

还有参赛厂商告诉《每日经济新闻》记者，现场大家看到机器人跑到最后就倒了，实际上是赛场的距离受限、安全起见只能设置泡沫墙。若有足够的距离，机器人其实是完全可以站稳的。这也解释了赛道终点为什么需要设置缓冲垫——竞赛追求的是最短用时，让机器人撞上缓冲装置可以把本应由机器人主动完成的减速过程交给外部设施，从而减少成绩损失。

然而，在工厂、商场或家庭等实际应用场景中，机器人显然不能依赖终点缓冲垫停止。因此，赛场评价与产业评价开始分岔：竞技比赛测试的是机器人单项能力的上限，而真实部署考验的则是系统能力下限。长期来看，机器人不仅要偶尔完成一次高速奔跑，还要能够判断什么时候应该慢下来，在人和障碍物随时出现的环境中稳定停止，并在反复运行后保持相近表现。

一台经过高强度调试的机器人跑出极限成绩与一批机器人在不同地面、不同温度和不同负载下长期稳定工作是两种不同能力。首程控股资本市场部总经理康雨进一步指出，田径赛并非不与应用挂钩。可以把机器人运动会理解为一场公开聚光灯下的极限可靠性测试。赛场上会暴露各种各样的故障，如跑400米之后动力耗尽、弯道摔倒、零部件损坏等。现实生活环境里同样会遇到弯道、颠簸、意外磕碰等问题。赛场暴露出来的可靠性问题正是现实应用中必须解决的风险。赛场的极限测试本质就是为机器人未来进入生产生活做准备。今年产业进步超预期，但距离成熟落地仍然还有很长的路要走。

从性能展示跃升为系统比拼：机器人泛化能力仍待提升

从今年自主模式增加可以看出，人形机器人的竞争正在从单一本体性能展示转向感知、导航和全身控制的系统比拼。下一步并不是简单提高直线速度，而是让机器人在高速下仍能自主转弯、越障和停止，并把偶尔成功的极限动作变成可重复的稳定能力。这一转变对机器人的技术实力提出了更高要求。

在郭宜劼看来，机器人能超越人类的纪录说明人形机器人随着本体技术和小脑能力的不断成熟在某些身体控制或运动能力上已经可以超越人类。未来他们希望不断开发机器人的小脑能力，使其能够去做各种各样人才能完成的全身复杂动作。

以跑步和跳高为例，郭宜劼直言这两项分别对应的是人形机器人的“泛化移动能力”和“全身动作模仿能力”。一个解决的是怎么去人能去的任意一个地方，另一个解决的是怎么做人能做的任意复杂动作。如果这两项核心能力搭建完成，那它就相当于一辆能让人随心所欲驾驶的汽车。未来随着对其大脑的开发，它又将会变成一辆能自动驾驶的汽车。

然而，运动会上机器人虽然已经开始自己选择跑姿、规划路线，但距离在复杂环境中随心所欲地行动仍有很长的路要走。业内人士曾介绍去掉遥控器在一定程度上相当于让机器人的“大脑”来自主决策并控制身体来执行任务。这需要一个聪明的、符合物理规律常识的“大脑”，需要完成对现实生活中各类复杂环境的深层次理解和长周期任务的规划推理，并且能够迁移到不同的场景环境完成各类泛化任务。

Arm物理AI机器人技术研究全球负责人Federico Pecora向《每日经济新闻》记者介绍称，从产业发展趋势来看，机器人能力演进正在经历三个阶段：第一阶段是跨对象泛化，即机器人能够在同一任务流程中处理不同类型的对象而无需针对每个对象重新训练或编程；第二阶段是多任务智能，统一智能平台支持多种任务执行，机器人不再服务于单一固定工作流而是能够根据任务需求切换不同能力组合；第三阶段则是实现系统级自适应，届时无论是终端用户还是机器人自身都能够根据环境变化完成能力调整而无需重新开发、训练或部署系统。

“泛化能力的商业价值在于显著降低机器人适配和部署到新场景、新流程及新任务的成本与复杂性。”Federico Pecora介绍称，泛化能力被视为推动机器人技术实现规模化落地的关键能力。其中泛化能力的第一层级是实现软件、模型与技能的跨任务复用；更高阶的泛化能力可以让工厂操作人员、商超管理人员、机器人操作人员这类终端用户通过演示或者语言指令提示完成机器人的自适应配置；在最高成熟度阶段机器人可以实现完全由环境上下文驱动的自主自适应。这能够大幅降低系统集成成本拓宽机器人系统可覆盖的用例范围推动机器人技术的广泛应用和发展。