甩掉遥控器，超越博尔特！“硅基”迈入全自主时代：没有“人”的“机器人”该如何奔跑

每经记者：可杨 杨卉 每经编辑：魏官红

8月26日，第二届世界人形机器人运动会落幕。回顾本届赛事，两个“名场面”让人印象深刻。

一是在100米大型组决赛中，天工Ultra机器人以8.64秒的成绩夺冠，大幅超越博尔特9.58秒的人类百米世界纪录，而上一届天工Ultra的夺冠成绩还是21.50秒。一年时间里，机器人的百米用时缩短了超过一半。

但高速冲过终点后，几台机器人都径直撞向缓冲垫，还有机器人在倒地后被担架抬离赛场。

二是在400米小型组赛场中，北京人形机器人创新中心的天工Omni双臂抬到脸旁、身体大幅前倾，以“捂脸狂奔”的姿势冲过赛道。

两个看起来没有关联的比赛场景，背后有着同样的原因：参赛机器人正在从“被遥控”走向“全自主”。

根据此前披露的赛事规则，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；对于难度更高的障碍赛，则取消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。

“硅基”正在甩开遥控器，但这一过程并不会一蹴而就。

从遥控到自主，机器人开始自己决定怎么跑

甩开遥控器，意味着机器人需要实时判断自己的位置、规划路线，并且把路线转化为关节动作，实现自我控制。

在赛场上，机器人从遥控转向自主，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，机器人则要增加外部感知装备，以满足达成目标需要的必要支持。

“它（机器人）头上会顶一个雷达，然后会有一个全局的定位。”北京人形机器人创新中心运动控制算法专家韩刚透露，如此一来，机器人会实时知道自己的位置，自行规划路线，沿着一个跑道前进。

去年的运动会上，一些厂商选择巡线跑的策略，是电机本体反馈被动探路的模式。但今年速度更快、竞争更激烈，这一模式已不适用。

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。在这个过程中，机器人选择的“动作”各有特色，例如天工Omni的“捂脸跑”。

“一开始我们设计的是正常人百米跑步的模式，但这个（跑步方式）是机器人在仿真过程里不断用数据迭代出来的，它在学的时候，可能感觉‘捂脸跑’比摆臂跑更舒服。”韩刚称，人在跑步时摆臂是为了保证在奔跑时自身角动量的平衡，机器人和人很像，跑步时也需通过身上某个地方不断的转动来保证平衡。

韩刚介绍，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。“这和教育小朋友很像，表现好了会有奖励，表现不好也会有批评。”

更复杂的检验来自100米障碍赛——相比在规则跑道上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。

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，X2引入视觉感知，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。

弯道比直线更难，凸显自主运动短板

探讨机器人的“自主”，不得不提及两个问题。

一方面，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。

另一方面，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，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，问题会进一步复杂。相比于直线跑，转弯还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，抵消全身旋转产生的角动量。

韩刚介绍，长跑更考验散热，短程更考验急速爆发，热量累积不会特别高。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，也会导致一些问题，如转弯出弯不太好控制。

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，任何一个环节衔接不稳，都可能导致摔倒。

因此，“不会拐弯”是人工遥控退出后才会充分显现的问题，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。

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，天工的起步加速相对较慢，但极速更高，最终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，既然高速过弯困难，最直接的办法似乎是提前减速，提高稳定性。但在竞速赛里，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，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。

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。

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。

但在工厂、商场或家庭里，机器人显然不能依赖终点缓冲垫停止，赛场评价与产业评价由此开始分岔。

竞技比赛测试的是机器人单项能力的上限，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，田径赛也并非不与应用挂钩。“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，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。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。”

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。

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。“未来我们也是希望不断的把它（机器人）的小脑能力开发得更加（成熟），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。”郭宜劼称。

运动会上，机器人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。

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，机器人需要一个聪明的、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，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。这一能力目前已在分拣、物流、零售等结构化场景中得到验证。

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，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。