发布日期：2026-09-14 浏览：10
人形机器人可以跑步、跳跃、跳舞，甚至完成后空翻，但如果让它叠一件衬衫、捡起一块湿海绵或转动钥匙，问题会突然变得困难得多。这听起来有违直觉：后空翻看起来比捡衬衫复杂得多。但对机器人而言，后空翻在很大程度上是一组可预测的、精确控制的动作序列，而家务劳动充满不确定性——物体会弯曲、滑落、变形、破碎，且每次出现的位置略有不同。这正是为何机械手可能成为构建真正实用人形机器人最难的部分之一。
工厂机器人拥有巨大优势，因为工程师可以控制其环境。一条重复组装同一部件数千次的机械臂可以获得固定轨迹、可预测的照明、已知的物体尺寸和专用工具。而家庭环境恰恰相反：衬衫每次揉皱的方式可能不同，玻璃杯可能装了一半水，抽屉可能微微开着，海绵被挤压时形状会改变，塑料袋则完全没有固定几何形状。
俄亥俄州立大学的研究人员将这一问题描述为家用机器人的根本难题之一：物理接触难以建模和控制，尤其是当物体柔软、易碎或不规则时。而且机器人在操作时往往还在移动。家用机器人研究已识别出双臂协调、稳定导航和足够可达性作为真实世界全身操作的三大要求。换言之，手不能与手臂、身体和环境分开考虑。
这也解释了人形机器人领域看似奇怪的进展。宇树科技（Unitree）的H1因完成后空翻而引人注目，其G1展示了日益增强的运动能力。但后空翻是一个定义严格的动作：机器人知道要做什么，环境可控，序列可反复排练。叠衣服则不同。机器人折叠衬衫时必须定位织物、理解其变化的形状、选择抓取点、在不丢失衣物的情况下拉动、重新调整双手位置、处理褶皱，然后准确放置结果。用一百件不同的衬衫来做这件事，问题就不再像简单的动作，而更像一场巨大的物理实验。
中国机器人公司正面临这一问题。路透社近期一篇报道恰如其分地 titled“在跑步和跳舞之后，中国机器人公司瞄准家务”。X Square Robot等公司已在测试人形机器人执行捡垃圾、插花等家务。
缺失的关键要素是数据。现代机器人越来越多地通过训练而非单纯编程来学习。但收集有用的操作数据比收集AI模型的图像数据困难得多。一次有用的演示可能需要同步记录机器人关节位置、摄像头、力、扭矩和触觉传感器信息。而并不存在一个互联网规模的数据集，记录人们操作数千种物体时同时感知手部的一切。
IEEE近期将触觉数据列为主要瓶颈，指出视觉—语言—动作模型已能帮助机器人完成叠衣服和整理等任务，而精细操作仍然困难，部分原因是触觉数据集与视觉数据集相比仍然很小。这就是为何企业和研究人员正在试验遥操作、可穿戴传感器、模仿学习、强化学习和仿真。目标是将人类演示转化为足够的训练经验，使机器人最终能自主处理不熟悉的情况。
行业最大的几家公司在从不同方向解决这个问题。宇树G1可配备力控三指灵巧手和可选触觉传感。Apptronik的Apollo在开发中同时考虑操作和移动，该公司称其核心执行器已迭代超过35次。特斯拉的Optimus追求通用人形机器人目标，1X的NEO则明确瞄准家务工作。
这些例子都不意味着家用机器人问题已经解决。证明机器人能可靠执行一项任务，与要求它进入一个不熟悉的家庭并在无人监督下工作八小时，是完全不同的。这最终是机械手如此困难的原因。人类不只是移动手指，我们不断感知、预测并修正手指的动作。直到机器人能做类似的事情，一台能完成精彩后空翻的机器可能仍然难以完成捡起毛巾这一平凡任务。
粤公网安备44190002007368号
