机器狗跑完一场全程马拉松中途没换电池、没充电。成绩是4小时19分52秒42.195公里平均速度2.64米/秒。完成这件事的是KAIST韩国科学技术院机器人与人工智能实验室打造的四足机器人RAIBO2相关研究近日登上Nature。最关键的数字不是完赛时间而是它的总运输成本TCOT只有0.25——比人类的0.37更低。也就是说按单位体重、单位距离消耗的能量算这只机器狗跑起来比人更省。整场比赛它一共消耗了1280Wh电量占自身1930Wh电池容量的66%。按这个数据推算RAIBO2满电状态下的理论续航是65公里相当于现有四足机器人每Wh电量所跑距离的三倍以上。01.先把电到底耗在哪算清楚四足机器人为什么费电这是个老问题。轮式机器人可以靠滚动前进而腿式机器人必须持续在关节处输出力矩来支撑体重每一步落地时脚与地面的撞击还会白白损耗动能。更麻烦的是这些损耗之间存在互相矛盾的权衡关系。一个典型例子想降低电机的电气损耗可以提高减速比或者抬高机身高度但这两种做法都会增大足端的等效惯量落地撞击损失反而变大反过来也一样。所以研究团队没有直接上手改硬件而是先做了一件更基础的事——把整机的损耗结构完整测量并拆解出来。在3米/秒、COT最低的工况下整机总损耗为299.7W。其中执行器电气损耗占67.7%机械损耗占22.7%系统损耗占9.6%。继续往下拆电机铜损一项就吃掉了40.2%是最大的单项损耗关节摩擦损耗13.4%驱动器开关损耗13.3%驱动器系统损耗8.0%驱动器导通损耗5.8%足端碰撞损耗6.4%滑移损耗2.9%铁损仅0.3%。这张损耗地图直接决定了后面每一处改动改在哪里。02.硬件1.1公斤的腿和一块抠电阻的驱动板机械部分的思路是力透明force-transparent加轻量化。RAIBO2用四条相同的腿、每条腿三个相同的执行器构成模块化结构。膝关节采用四连杆传动执行器减速器只用单级行星齿轮减速比7.15:1——级数越少齿面相对滑动带来的摩擦损耗越低。单条腿机构不含执行器重1.1公斤全部腿部机构只占整机重量的10.2%。电机选型上团队也做了一次细致的取舍。他们对比了三款高电机常数的无框电机最终选择ILM115×25虽然ILM115×50的电机常数更高1.47 vs 0.87但它的转子惯量几乎是前者的两倍在4米/秒的高速下COT反而更差。转子惯量经减速比平方放大后对高速损耗的影响是决定性的。电气部分团队盯上的是长期被系统级能耗分析忽略的一块——电机驱动板。导通损耗上PCB所有层都用2oz约0.07mm厚铜等效电阻降低约1.8mΩMOSFET从7mΩ的型号换成2mΩ的型号等效电阻直降约33mΩ电流采样改用霍尔传感器导通电阻仅1.5mΩ同时避免了低阻分流电阻方案对运放高倍放大、易放大地噪声的问题。开关损耗上由于采用高压运行导通损耗和开关损耗之间形成明显权衡——低电阻的MOSFET栅极电荷更大在80V下总损耗反而更高。团队的解法是优化布线降低寄生电感把栅极电阻从官方评估板的180Ω压到10Ω同时把开关频率从20kHz降到15kHz在效率与控制性能之间取平衡。03.强化学习策略让脚轻轻落地软件这边控制策略采用GRU加MLP的网络结构只依赖本体感知信息以100Hz运行底层电机控制在15kHz状态估计用接触辅助不变扩展卡尔曼滤波以1kHz运行。值得注意的是奖励函数的设计方式。团队没有简单地给总能耗加一个负奖励而是把能耗相关奖励拆成若干项分别对准具体的损耗来源降低触地前足端速度以减少碰撞损失、抑制接触中的速度以减少滑移、以及一个考虑磁饱和的焦耳损耗项。磁饱和这一项很关键。电机超过额定力矩后进入饱和区电流增加带来的力矩收益递减此时电流需求近似与力矩平方成正比。加入该奖励项后策略会主动回避高力矩区间——实测在3米/秒运动时84.1%的工作点落在额定力矩以内。碰撞损耗方面由于精确预测触地时刻很难团队把接触信息放进价值网络的观测中让策略学会提前减速。还有一个反直觉的结果抬高机身虽然会降低可操作度、增大足端等效惯量但基于电气刚度的关节控制配合强化学习策略在腿伸展至86%的高度下电气损耗持续下降而机械损耗几乎没变。原因在于不同于只能在单个腿模块内储放能量的机械弹簧共用电池允许能量在四条腿之间灵活再分配——实测中同步的右前腿呈现更强的发电行为左后腿则更多处于电动状态。最终在3米/秒时整机COT降到0.237的最低点。04.42.195公里实测验证选在第22届尚州柿饼马拉松这是韩国公认难度较高的赛道之一总爬升286米最大坡度18.4°路面以柏油为主还有被落叶覆盖的湿滑路段。赛道为折返路线。全程数据被完整记录电池电压从67.2V降到57.6V截止电压48V累计能耗1280Wh对应平均TCOT为0.248与跑步机实验结果吻合。有爬升却仍然省电一个原因是下坡时的能量回收。在3米/秒下对平地、7°上坡、7°下坡的损耗分析显示上坡额外增加100.5W下坡则回收107.5W上下坡基本相互抵消。当然限制也存在目前用的是盲视控制器针对常规地形优化楼梯、山地等特殊环境的损耗模型不同需要进一步发展环境感知的高效运动策略此外当前实验基于人工操控自主导航还需要能基于全局地图规划能量最优路径的规划器。论文链接https://doi.org/10.1038/s41586-026-11102-5