1. 先把“年终奖”翻译成技术账1.1 对外叫发布会对内叫验收单每年到了年底机器人圈的“年终奖”总会被翻出来说一轮。外界看到的优必选可能是展会上的Walker又走了几步也可能是某条产线上的一段演示视频。但如果你真的在这个行业里干过工程就会明白那些光鲜镜头和真正算数的“年终奖”根本不是一回事。我认识不少做人形机器人的朋友大家年底坐在一起复盘时嘴里聊的从来不是“我们发布了什么”而是“这一周产线上连续运行了多少小时”“平均多久报一次警”“客户签没签下一步的合同”。对工程师来说年终奖不是一个红包而是一张验收单。机器人从演示环境走进工厂车间那才算把这一年的技术债还了一部分。优必选在国内人形机器人公司里属于被市场重点关注的那一梯队。这家公司从消费级机器人起步慢慢做到了双足人形近两年又往工业场景里扎。这个路径很有意思因为它把“会走路”和“能干活”这两件难度完全不同的事情捆在了一起而绝大多数人形机器人公司恰恰会卡在第二件事上。所以这篇文章我不想做发布会复读也不做投资分析我想从一个跟过项目的工程师视角把“优必选的年终奖”拆开来看技术账、落地账、以及最后团队真正拿到手的那点成就感到底是什么。1.2 为什么这一年的年终盘点格外热闹2024年的人形机器人赛道和往年有个很明显的变化大模型开始往具身智能里渗透了。过去我们说人形机器人重点在运控在步态在能不能站稳今年大家都在聊另一层东西怎么让机器人听懂指令、看懂环境、自己拆解任务。这种变化的底层逻辑不难理解。语言模型和视觉模型让“任务理解”这件事变得便宜了但把理解变成物理动作仍然是人形机器人的硬骨头。这就像你给一个新人发了一本厚厚的操作手册他读得懂但真正上手干活的熟练度还得靠大量练习。优必选这样的整机厂商优势就在于能拿到真实物理环境的练习数据而不是只在PPT里练。另外一个推力来自供应链。无框力矩电机、谐波减速器、六维力传感器这几类核心部件最近几年成本降得比较快国产替代的选项也多了。硬件不像前几年那样想买都买不到所以大家比拼的重心自然从“能不能造出来”转移到了“能不能稳定跑起来”。再加上制造业确实存在用工缺口产线搬运、上下料、质量抽检这类重复性高、环境相对固定的岗位最容易被拿出来当人形机器人的第一个落脚点。年底一盘点你会发现但凡稍微有点量产苗头的公司都在讲汽车工厂的故事优必选也是这条路径上的主力选手之一。1.3 一份工程人眼里的年度成绩单外行看热闹内行看验收单。下面这张表是我自己做项目复盘时习惯用的对照方式放在优必选这个案例上也成立。行业关注点工程真正看的指标发布会站台次数连续无故障运行小时数融资信息与估值关节平均无故障时间和散热表现自由度数每个自由度的控制带宽和带载能力大模型演示效果任务成功率与泛化边界单次demo的惊艳程度同一动作可重复执行的精度拿这张表去看任何一家做人形机器人的公司都会发现同一件事真正值钱的年终奖是那些不常出现在新闻稿里的数字。2. 拆开一台人形机器人钱和时间都花在哪2.1 硬件自由度不白给每个关节都在烧钱人形机器人看着有手有脚好像和“人的形态”对上了就行但真正做起来硬件层面的坑一个比一个深。一条腿从髋到脚踝至少要6个自由度两条腿就是12个再加腰部的3个两条胳膊的14个灵巧手如果做全又能加上十几个。自由度越多控制难度和成本并不是线性增长而是指数级往上翻。我一个做整机的朋友说过一句大实话“人形机器人最大的成本就是让它看起来像人的那个部分。”关节电机要轻、要扭矩大、要响应快谐波减速器要背隙小、寿命长编码器要分辨率高、抗冲击随便一样拿出来都是精密制造的钱。这里列一个硬件模块的对照表方便新人理解每个部件在整机里的价值。核心模块关键指标常见问题无框力矩电机扭矩密度、齿槽转矩齿槽力矩大会导致低速抖动谐波减速器传动比、背隙、寿命背隙影响高精度位置跟踪绝对值编码器分辨率、抗冲击能力零点漂移会导致左右不对称六维力传感器精度、温漂温度变化后力读数失真实时控制系统控制频率、延迟延迟超过几毫秒全身控制就容易发散硬件选型这件事最忌讳只看单个零件参数。电机扭矩再大减速器瓶颈卡在那里也是白搭编码器分辨率再高关节装配公差控制不好角度读出来也会偏。所以优必选这类整机厂最大的门槛其实不是某一个部件多牛而是把这么多部件装在一起还能稳定协调。2.2 软件运控是地基大模型是包装很多人一提到人形机器人脑子里第一个画面就是“机器人听懂了人的话”但那一层只是最上面的交互。往下面看软件栈是分层的。最底层是状态估计靠IMU、关节编码器、力传感器和视觉综合算出机器人当前到底处于什么姿态。这一层的误差会直接传导到上层如果状态估计偏了后面全白算。很多真机上“走着走着莫名其妙倒下去”的问题根源往往不是控制算法不行而是状态估算在某个瞬间飞掉了。中间层是运动规划和控制。经典一点的做法是走ZMP轨迹加全身PID整定激进一点的做法是上MPC也就是模型预测控制在滚动时域里实时优化未来一小段时间的动作。MPC效果好但对计算资源和模型精度要求都很高。多数团队会走到MPC这条路然后被真实模型的误差折磨得够呛。最上层才是大模型交互。语言模型理解任务视觉模型找目标然后把这些高层意图翻译成可执行的技能序列。这一层现在确实发展很快但它有个前提底层运控得先把“稳”字撑住。否则会出现一个很尴尬的场面机器人口头上答应你“好的我这就去拿杯子”然后在离杯子半米的地方摔了个五体投地。我的经验里有一条值得写进项目复盘任何“智能”炫技都不要在产品不稳定时上线。先让机器人站得住、走得直、抓得稳再谈大模型。不然你看到的只会是一个摔得很有礼貌的机器人。2.3 从账本看行业瓶颈整个行业现在卡在哪里不是算法概念不够新也不是硬件参数不够高而是“可靠性与持久性”完全跟不上实验室的想象力。单次demo运行20秒成功率99%很多团队都能做但要在产线上连续跑8小时故障率低于千分之一这中间差的不是一点半点。从成本结构看硬件仍然占大块头尤其是关节模组和传感器。软件本身以研发人力成本为主但研发周期长一个运控算法想在真机上验证前期仿真加后期实测折腾几个月很正常。时间也是一种成本而且是更容易被低估的那种。散热也是被低估的大问题。人形机器人腿部关节长时间高负荷输出电机和驱动器产生的热量如果不及时散掉轻则性能下降重则触发过温保护直接停机。很多做底层控制的人都会发现算法在仿真里怎么跑都行一到真机连跑半小时热保护就把你打断了。这个问题没有捷径只能通过整机结构设计、材料选择和功耗策略一起解决。所以行业现在的瓶颈不是单点技术而是把一个实验室原型变成一台能连续稳定工作的产品这个工程化能力才是各家年终盘点时真正的胜负手。3. 从一张验收单看落地工业场景到底要什么3.1 为什么先选汽车工厂如果你问十个做机器人的公司未来落地场景做哪九个会提到汽车工厂。原因很直接汽车工厂环境相对结构化地面平整光线可控工位固定路径基本不变这对现阶段的人形机器人来说是最友好的温床。优必选以及不少同行把实训场放在汽车工厂是因为这里既有明确的重复性岗位又有成熟的自动化基础设施。机器人进厂之后可以和现有的MES、PLC系统对接任务下发、状态上报都有现成的标准接口。和完全非结构的家庭环境相比工厂里每少一个不确定性机器人的成功率就能往上拉一大截。但工厂也不是慈善场。客户愿意给你一个工位试点前提是你真能顶上一个岗位上的人。哪怕一开始效率低一点至少不能频繁撂挑子。所以汽车工厂选的往往是搬运、上下料、检测辅助这类环节这些岗位看起来简单但缺人情况最严重也最适合机器人先以“辅助工”的身份入场。3.2 可靠性比“聪明”重要在工业现场客户最关心三件事安全、节拍、稼动率。安全不用多说人形机器人身边是要站人的碰撞检测、急停逻辑、力矩限制这些环节一个都不能省。节拍是指机器人每个动作能不能压着产线的节奏来不是越快越好而是稳定地不快不慢。稼动率更直白设备能不能持续运转别三天两头报警停机。这时候前面聊的“连续运行小时数”“关节寿命”“热管理”这些指标就全都派上用场了。一台机器人在实验室里表演抓取旁边围一圈人失败了可以重来没人会催你。但在产线上机器人需要对同一批次零件做重复动作放到目标位置的精度必须达到毫米级而且每一下都要一样。我见过很多人形机器人项目死在从POC到爬产这一步原因不是demo不惊艳而是客户看完demo之后问了一句“能连续跑多久出故障了你们多久能到现场”这个问题如果答不上来前面再漂亮的动作演示都白搭。3.3 从POC到爬产的“最后一公里”从试点到真正进产线中间隔着一条巨大的鸿沟。交付的不只是机器人本体还有工装夹具、通讯协议、安全围栏、运维SOP、备件清单、远程诊断工具以及现场服务人员。这里有一个容易忽略的点客户并不想替你研发也不想成为你的试验场。他们希望的是你拿出一套接近成品的方案让他们看到明确的生产效益。所以最终打动客户的不是“我们的机器人很聪明”而是“这个工位的人力成本可以降低这么多投资回报周期是这么久”。项目推进过程中变更管理也很关键。客户说今天要换一个物料规格明天要调整一下工位尺寸这些看起来很小的变化对机器人来说可能就是整套动作和感知参数的重来。所以项目制的人形机器人落地本质上是开放性问题谁的项目管理能力强谁才敢说自己真正完成了交付。4. 实操复盘一条人形机器人调试链路的完整记录4.1 仿真环境搭建先在电脑里摔够真机调试的成本太高了摔一次就可能坏一个关节所以成熟的流程一定是先在仿真里把坑踩掉大半。我这里以最常见的组合为例MuJoCo做物理仿真ROS 2做通信再加一块自己的运控代码框架。pip install mujoco python -c import mujoco; print(mujoco.__version__)装好之后第一步不是急着写控制器而是先检查模型文件。导入机器人URDF或者MJCF模型时一定要确认几件事碰撞网格是否简化过、关节限位是否和真机一致、惯性参数是不是供应商给的实测值。这些细节直接决定仿真结果有没有参考价值。仿真环境里摔几百次不心疼这是最大的优势。你会在里面发现很多奇怪的失稳模式比如起步瞬间姿态偏移、上下坡时质心没有跟上、大力摆动后底座漂移等等。每发现一个就在调试记录里记一条然后去调控制参数。等仿真里成功率做到95%以上再开始考虑碰真机。4.2 步态参数ZMP、MPC和PID这三套东西怎么配合人形机器人的步态控制经常被简化成“别摔倒”但工程上要拆的东西非常多。我用三个拼图来理解这件事ZMP负责判断稳不稳MPC负责规划怎么走底层PID负责把规划执行出来。ZMP是零力矩点的缩写可以把它理解成地面反作用力的作用点。这个点必须落在双脚形成的支撑多边形内部机器人才能保持稳定。所以调步态时最直观的调整就是看ZMP有没有超出支撑范围超了就意味着距离失控已经不远了。MPC是在短时间内反复优化动作序列每一步都会推演未来一小段时间根据当前状态不断修正。MPC效果上限高但计算量大而且对模型精度敏感。真机调试时我通常会把MPC预测时域设得短一点先保证实时性再慢慢加长。底层PID更像是执行力。MPC说下一步腿要抬到多高、踩到哪PID负责让关节电机老老实实跟上去。如果跟不准上位规划再优秀也体现不出来。下面给一个简化的控制器相位切换示意很多双足机器人的步态框架就是围绕这个核心逻辑展开的。if phase single_support: swing_foot_traj plan_swing_foot(step_length, clearance, phase_progress) zmp_ref current_com_projected_2d() offset elif phase double_support: zmp_ref midpoint(left_foot, right_foot) controller_output wbc_track(zmp_ref, swing_foot_traj, measured_state)真机调参时我最常动的几个参数是步频、步幅、质心高度和脚踝关节刚度。步频太低容易失去动平衡太高则抬腿时间不够质心高度直接影响稳定裕度矮一点更稳但更费电脚踝刚度是个需要反复试的值太硬动作生硬容易顿挫太软又控制不住姿态。参数调整方向主要影响步频先低后高稳定性与能耗步幅从小到大速度与转弯能力质心高度保持适中稳定裕度与关节负载脚踝刚度反复试抗扰动能力与动作平滑度4.3 Sim2Real为什么仿真里一跑就跑偏辛辛苦苦在仿真里调到99%成功率的步态一上真机就变了一个机器人这种情况我见过太多次了。核心原因不是代码搬错了而是仿真和真机的“物理差异”没有被处理干净。第一个差异是摩擦。仿真里地面摩擦系数设置得再贴近现实也不可能完全复现产线地面的磨损状态。解决思路是做域随机化也就是在仿真里把摩擦、质量、甚至关节阻尼都设成在一定范围内随机变化让控制器学到的是一个“鲁棒策略”而不是只适配某一组参数。第二个差异是延迟。仿真里传感器数据是同步到位的真机里IMU读数、关节编码器、力传感器来自不同线程延迟天然不一致。控制器如果对这个延迟没有余量一个迟到的读数就可能让估计状态跳一截系统马上发散。我的习惯是在状态估计环节加低通滤波同时把控制周期的影响显式地建模进状态方程里。第三个差异是关节本身。减速器背隙、电机齿槽力矩、线缆拖拽产生的非线性阻尼这些在仿真里很难精确建模。所以真机调试第一步一定是做系统辨识把每个关节的惯量、阻尼、摩擦这些参数测一遍再回填到仿真模型里。这一步不做后面所有算法都是空中楼阁。5. 常见问题与排查技巧实录5.1 为什么机器人走几步就倒这是双足机器人最经典的故障。排查顺序我一般是这样先看状态估计算出来的姿态有没有突变如果IMU数据出现跳变优先怀疑减震没处理好再看ZMP参考点有没有超出双脚支撑范围超了就要调质心补偿最后看脚踝关节的跟踪误差如果命令角度和实际角度差很多说明PID刚度不够或者关节存在明显背隙。先测数据再动手改代码是我在项目里反复强调的原则。很多新人一看到机器人倒了第一反应是去调PID参数结果越调越乱。正确做法是先跑一轮回放数据把倒之前500毫秒的状态、命令、力反馈全打出来找到第一个偏离预期的点那才是真正的故障起点。5.2 仿真里能跑真机却不行这个问题有一个固定的解决路线第一步检查模型参数把真机实测的关节阻尼、摩擦系数、质量分布替换进去重新跑仿真看是否复现真机异常第二步缩小动作幅度把步幅和质心高度都往保守方向调排除控制策略过度依赖“完美模型”的可能第三步加鲁棒性训练在仿真里加入更多随机扰动让策略适应比真机更恶劣的条件。如果以上三步走完仍然不行那就需要怀疑真机的装配问题、传感器一致性或者接线松动带来的偶发异常。这些不是算法问题却比算法问题更隐蔽只能靠逐项硬件排查。5.3 跑一会儿就过热停机人形机器人连续运动时的发热问题几乎每个团队都会遇到。高效解决方式不是一味加大散热器而是先分析功耗都去哪了。通常两个大头关节频繁加减速带来的峰值电流以及电机持续堵转产生的大电流。实际经验里第一步是降低步频和摆动幅度减少不必要的频繁启停第二步是调整控制器的增益如果PID参数过激进电机会由于频繁修正而持续输出大电流第三步才是结构层面加散热片、改进风道或者换用更高导热系数的外壳材料。顺序调换的话很容易辛辛苦苦改了结构问题却依然存在。5.4 团队协作与项目节奏项目组最大的坑是“demo完成即项目成功”的心态。演示成功只是阶段性节点后面的长时间运行测试才是发现真问题的关键期。我们做测试时会把每一轮实验打上标签记录仿真或真机参数版本、运行时长、失败原因。这样过了一个月再回来看能很清楚知道那段时间的改进线是往上走的还是原地打转。研发节奏上我自己比较认可“仿真快速迭代、真机两周一次大版本”的节奏。仿真阶段可以一天改几十版参数但真机测试成本高、时间窗口少必须确保每一次真机测试都带着明确的问题和假设去验证。盲目上真机只会浪费团队的时间和客户耐心。而且一个容易被低估的事情是项目里的每一份测试记录都是下一笔预算的敲门砖。客户见到你拿出的不是一句“我们很努力”而是连续三个月的故障统计和改进曲线时信任感是完全不同的。最后再分享一点个人体会。做机器人项目的这些年我最大的感受是真正让人踏实的“年终奖”不是在镜头前多走了两步而是翻开整年跑测数据看到故障间隔从半小时一次拉长到几十小时一次看到那个天天摔跤的机器人终于能连续干完一个班次的活。对于优必选或者说对任何一家想在人形机器人赛道走到最后的企业来说道理都是一样的年底的聚光灯可以照亮发布会但真正能支撑一个公司走过寒冬的永远是那些写在一行行代码和测试记录里的进步。希望所有在这条路上赶路的人今年也能拿到属于自己的那份“进度条式”年终奖。