因为单点技术还远没有走向成熟，行业内还不会出现如乔布斯般的技术整合者，底层技术仍需持续研究和突破。

　　在量子位智库最新举办的仿生机器人沙龙上，云深处联合创始人兼CTO李超、大象机器人产品副总裁林鸿林，一起给出了这样新鲜独到的业内见解。

　　除此之外，如今仿生机器人产业发展到哪一步？为什么会在此时此刻迎来爆发？未来趋势走向如何？业内当下最关注什么？

　　量子位在不改变原意的基础上，对分享内容及圆桌对话进行了编辑整理。希望能够给你带来更多的启发与思考。

　　大象机器人产品副总裁林鸿林表示，AI和大模型的成熟，推动了整个产业链和技术链的发展，并影响了仿生机器人的落地。

　　如果从技术层面拆解，可以从硬件和软件控制两个层面看起，能发现从工业商业机器人迈向未来的人形服务机器人，有两个最明显的区别。

　　比如特斯拉Optimus的人形机器人，具有64个关节。这使得其成本要求和轻量化要求，和过去的协作机器人、工业机器人完全不一样。

　　并且服务机器人在应用场景上也发生了变化，从结构化转变为非结构化，这对机器人的感知和决策也提出了不同要求。

　　所以过去在协作机器人、工业机器人中常用的谐波减速机、RV减速机，在仿生机器人中的应用有所下降。原因在于它自重更大、惯量更大，以及整体成本非常高，也就不符合要求。

　　但是人形机器人对传感器的要求就多了，声呐、各种雷达、SLAM都被放到了体积更小的人形机器人关节中，这对结构和硬件是一个非常大的挑战。

　　过去因为是单一的机构化场景，所以对于工业机器人的控制要求可以是单关节、或者多关节的一些简单联动。

　　但是到了人形机器人场景之后，很大的一个原因是场景不再结构化，机器人不能再简单地控制自己的运动关节，而是需要对场景做出判断。

　　大模型的出现就给控制层面提供了一个很好的助力和抓手。控制也要更多基于动力学的运动轨迹生成，考虑身体的平衡以及落点。

　　第二，要有很好的控制算法，使其具备基本运动能力。以云深处的绝影X20为例，在运动控制算法加持下，能够爬上20cm的阶梯，最高运动速度达4.95m/s，最大作业负载为85KG。

　　在此之上，四足机器人还要具备搭载各种组织的能力。比如搭载云台、加上“眼睛”、机械臂或者其他传感器等。

　　现在很多机器人是在楼宇里工作，如果做巡检任务，在陌生场景下，不能机械狗出去工作却丢了，人类还是要知道它在什么地方。

　　尤其像管廊场景像隧道一样、特别长，对于机器人来说很容易丢失，所以会用到一些专用技术解决狭长管道的定位问题。

　　量子位：近年来看到仿生机器人公司不断增多，大家为什么这么看好这一赛道？从行业角度来看，背后的核心逻辑是？

　　从我们从业者角度来说，第一方面，近几年硬件发展是超出预期的。比如电机伴随着工业机器人、电动汽车整个领域的快速发展。第二方面，电池也有很大的突破，支撑移动机器人发展。第三方面，各种算力平台发展也给算力提供了很好的支持，比如英伟达或者国内各种GPU公司等。我们觉得这些因素都给行业更进一步的提供了支撑。再往上层看，算法的进展也超出预期、突飞猛进。

　　所以现在其实到了一个很好的爆发点，这些能力刚好能聚集在具身机器人上，或者说具身智能在机器人平台上带来了很好的呈现。

　　硬件和算法上的支持，以云深处为例，我们的机器人可以在很多工业场景下进行应用。我看到量子位《中国仿生机器人产业全景报告》上写2023年开始会有工业化应用，其实要比预计更早一些，去年已经出现了。以上是我作为从业者来说的一些判断。

　　量子位：现在仿生机器人中四足机器人和人形机器人有哪些差别，也是大家比较关心的问题，两位机器人领域专家可否给出一定理解？

　　在底层技术上，关节能力、控制、操作、交互和感知都是有共性的。但每个技术上遇到的难点不一样。尤其是运动控制层面，四足机器人更加稳定，双足机器相对差一些，所以它在平衡控制上有难度。

　　双足机器人的关节更多。正常来说，双足机器人有20多个关节，四足机器人就只有12个，即便加一个机械臂，也只有16个。这进一步影响算法也不太一样。

　　从硬件本身来说，双足机器人硬件要求会更高，它是两条腿站在地上，要求它的力气要比四足机器人的一条腿大。如果想要实现同样的负载能力、行走能力，就给人形机器人提出了更高要求。

　　从应用方面，未来我们借助人形机器人的场景肯定比四足机器人要多很多，这是我感受很深的一个地方。现在城市中的基础建设设施、所有工具都是为人而诞生的。如果我们做一个机器狗，首先它从高度或者其他能力上，天然就不具备更广泛的应用场景。比如刚刚给大家看过的管道机器人，管道建设时是为人类巡查设计的，它的观测高度比狗要高很多。

　　所以这就是为什么我们要加机械臂。因为更高的东西四足机器人看不到，加上机械臂后延伸了它的触觉和视觉。

　　在工厂场景里也是这个逻辑。还有更多日常生活场景，比如倒咖啡等，人形机器人能以更相近的形态替代人类。

　　大象机器人林鸿林：我的理解是人形机器人不一定要是两条腿，但是基本上现在没有看到双臂以外的其他选择，这是目前全世界范围内达成的一个共识。

　　所以它大概率是一个双臂七轴结构，这是最接近人类手臂的。它在空间上没有歧义点，所有位点都可到达——其实六轴已经能做到很好了——是工业上最常见的形态。但是人形机器人需要多一个关节，原因在于这样可以让它在更小的体积里做零空间运动——就是姿态不会变得非常诡异，但是可以在很小的轨迹路径里去完成这个动作。所以现在看到双臂七关节，基本上是一个确定的答案。至于中间需不需要一个脑袋，这就见仁见智了，因为这个主要看工业设计能不能把所有传感器非常合理地布局在中间。

　　它甚至不需要一个类人的脑袋，因为我们觉得本质上人形机器人、四足机器人，都是工具就人身体的延伸。如果现在的目标是去洗衣服，最聪明的方式是做一个滚筒，而不是做两个手去搓衣服，它的效率才是最高的。

　　如果从这个方面去思考的话，我觉得双臂七轴应该是一个确定的答案，至于下面应该是两条腿还是四足的机器狗，就看特定场景了。比如电力巡检，或者有坡度障碍需要跨越的户外场景，四足的通过性一定远远好于双足和轮式。

　　我们现在了解到双足机器人在算法控制的难度上，比四足高很多；在整个平衡性方面的掌握、续航能力，也会是一个很大的挑战；更直观的表现是它的成本也会更高。

　　所以可能短时间内，双足机器人想要做到量产并落地应用，挑战还是很多。我倒是觉得轮式机器人可能在效率、成本上，是当下节点的一个最优解。因为实际上残疾人通过轮椅，可以到达世界上80-90%的空间，也就是双足不会成为一个硬性的限制。

　　所以从技术上拆分来看，双足的操作性、灵活性以及在结构仿生方面，是比较合理的一个方案。然后中间的感知层面，摄像头、电子皮肤可能有很多方式。现在看到一些机器人，比如帕西尼的机器人有一个腰关节可以做90度的活动；像达闼在腰关节上实现可以上下移动30cm……这些我们都觉得是非常合理的方案。至于下半部分的移动功能，我觉得四足和轮式都比较成熟，短期内可以落地。双足的方案，一方面我们对这个领域比较陌生，另一方面感觉在技术上，它的成本能够达到量产的时间会更晚一些。

　　量子位：您刚才提到双臂比双足更适合人形机器人，我们看到云深处的四足机器人上面会增加单独的机械臂。那么双臂是单臂之上，更好的一个改进吗？

　　云深处李超：这个是肯定的。但是基于成本问题，单臂和双臂是有一定差异的。刚刚有提到，如果基于任务去做开发，比如管廊场景里的任务，它是通过臂来增加摄像头的活动范围，所以一个机械臂就够了。

　　如果未来有更加复杂的场景，其实机械狗是可以做成半人马的感觉。在一些特种场景中已经有这样的应用，给机械狗装上双臂去做排爆，因为双臂的协同能实现更精细的操作。单臂和双臂的选择，目前还主要看要解决什么任务。

　　大象机器人林鸿林：从仿生学出发来看，现在三个手臂的例子，现在我能想到的就是自然界里蝎子是两个钳子加一条尾巴。如果做三臂机器人，我们没有一个出发的立足点。

　　但是做双臂的原因在于，工业场景里确实需要，这不是为了做而做。现在工业方面绝大部分产线，都是单臂已经做完了。现在很多工厂想用机器人，但其实都有一个顾虑，因为它的产线不是长期稳定做一个工件，现在有很多柔性需求。这种情况如果用单臂机器人成本会很高，在于机械臂固定的制距和工件部分需要不停地更换，机器人的调试也要不断修改。

　　这种情况下，双臂的优势就体现出来了。因为两个手可以灵活配合，一只手抓，另一只手做插件。这时候左边固定的一只手臂就不需要去做一个固定的制距。如果整体用双臂方案，成本也能控制在合理范围内，所以双臂方案在工业生产上就是可行的。

　　现在我们看到做的比较好的，像ABB的双臂机器人“玉米”，它在工厂里做的其实就是双臂灵活配合两个组件插件来做这个事情。所以这是我认为双臂存在的合理性。

　　但至于为什么没有三个手臂、四个手臂，一个是效率方面的考量，每增加一条手臂它不是1+1的关系，是平方的关系，更加复杂。而且如果我们要去做二十几个或者四十几个自由度，并且每个都是在上面拥有六个自由度，这个复杂度就放大很多很多倍了。

　　量子位：我们看到特斯拉人形机器人的宣传片里出现了机器人帮机器人维修的画面。它在单臂情况下抓取动作比较多，抬手臂、上下抓是双臂参与比较多。请问这种是算法预先设定好的吗？还是说可以根据物体形状来预估？

　　云深处李超：这个是逐步来的。这就是为什么现在做人形机器人，2D和3D相机要同时有。过去在工厂场景，一般只用一颗三维相机就可以做到大多数姿态判断和抓取了。2D和3D同时要有，就是因为存在刚刚您提到的场景。它需要判断相对位置，一个是它在空间里面的姿态，然后去做双臂姿态的调节。至于他抓取这个位置是否足够准确，这个肯定是没法一次到位的，哪怕人手去调一次，也没有办法调得很准确。

　　这种情况下，用的最多的是仿真模型。今年小米发布最新一代机器狗时有提到，他们建了一个模型，里面有几百条器狗，让它们每天在里面不停地跑、不停地摔倒、不停地站起来。这实际上就是在模拟这个过程。同一个麦克风，应该用几只手抓？抓上面还是下面？让它不断地去做尝试，然后自主学习，最后总能抓到一个合理的位置。这样一个结果，实际上就是非结构场景中一个很典型的案例。

　　云深处李超：我来客观说一下，刚刚林总提到的很多还处于仿真阶段。那么我们目前在工厂应用，我怕给大家一个过高的期望。目前来说更多的还是预设点位去进行工作。因为在很多应用场景下，是不允许有失败的，可靠性优先。

　　像我们刚刚说到的，为什么更多应用场景现在可以落地？因为它是在一个固定场景下做重复性的事情，替代人去完成枯燥的、危险的工作。我们认为这个商业模式是成立的，现在也在陆续往外做拓展。比如向消防领域发展，在半确定的环境下遥控机器狗探测，它具备一定的智能，可以绕障。但确实在实际应用中遇到的困难，比实验室里多得多，这也是现在我们正在努力的方向。

　　云深处李超：说到自研我怕大家有个误解。因为目前不同场景对机器人的性能要求都有些差异，所以在差异化技术的供应链没有形成以前，所以每个团队都需要沉淀自己的技术。这些自研技术包括关节部分，比如机器狗和机械臂的关节肯定是不同的。还有自研除了本身能力外，还要满足一些行业要求。比如电力领域要求它抗电磁干扰、消防领域要求耐高温等。

　　现在网上提自研的很多，关于自研算法这一。