人形機器人技術的發展與現狀

技術革新+巨頭入局+政策激勵，多維度催化人形機器人落地

技術進步+巨頭入局+政策激勵加速 2023 年人形機器人產業發展。2023 年 ChatGPT 等大 語言模型超預期發展，增強人形機器人交互能力，拓寬其應用領域；硬件方面，特斯拉等 科技公司紛紛入局，有望加快產業鏈技術進步。我們認為人形雙足機器人為通用機器人的 最優解，因為人類社會的種種事物都按照人類的生理結構進行設計，貼近人類形態的雙足 機器人更能適應種類多樣的任務，達到通用的目的，隱形成本較小。隨著科技龍頭入局、 ChatGPT 等 AI 技術加速、相關政策密集落地，作為“具身智能”理想載體的人形機器人 在多種因素的推動下有望快速發展。

大模型幫助機器人思考學習，推動具身智能發展。英偉達創始人兼 CEO 黃仁勛在 ITF World 2023 半導體大會上表示，AI 下一個浪潮將是“具身智能”，即能夠理解、推理物理 世界并與物理世界互動的智能系統。微軟、Google、英偉達等大廠均積極開展具身智能相 關研究。微軟基于 ChatGPT 的強大自然語言理解和推理能力生成控制機器人的相關代碼； 英偉達 VIMA 基于 T5 模型，將文本和多模態輸入交錯融合，結合歷史信息預測機器人的 下一步行動動作；英偉達 OPTIMUS 使用任務運動規劃器來自動生成足夠的機器人軌跡數 據，然后訓練 Transformer 視覺-運動策略，進而預測機器人動作；谷歌 RT-2 則通過 VLM 與機器人數據的結合，賦予機器人語義理解和基本推理能力。大模型不斷進步提升人形機 器人交互能力，推動具身智能發展。

特斯拉機器人快速迭代，24 年有望在工廠投入使用。2021 年特斯拉在 AI Day 上首次提 出其人形機器人 Optimus 的渲染圖；2022 年 AI Day 上，特斯拉推出原型機，在沒有外接 線纜的情況下實現了緩慢行走與揮手；2023 年 5 月股東大會上，特斯拉人形機器人已經 可以實現流暢的行走與抓取物品，靈活度較原型機大大提高。2023 年 7 月 20 日，馬斯克 表示，目前特斯拉人形機器人擎天柱的制造數量為 10 臺左右，將會在 2023 年 11 月左右 對特斯拉自己設計的執行器進行行走等測試，明年人形機器人有望率先在內部工廠投入使 用。在應用場景方面，除了工廠以外，公司還考慮將人形機器人與 Neuralink 結合，為殘 障人士提供義肢應用場景有望不斷拓展。

多方玩家布局人形機器人，百舸爭流加快硬件變革。除特斯拉外，國內外多家公司積極研 發人形機器人并取得快速進步。2019 年波士頓動力機器人 Atlas 掌握“體操”技巧，能夠 連續的跳躍、翻滾；2022 年 8 月，小米發布人形機器人“Cyberone”；2023 年 4 月 1X technologies 機器人 EVE 應用于美國和歐洲部分地區的商業場景；優必選、傅利葉所生產 機器人都具備行走，與人協同完成動作等功能；三星宣布將于 2023 年 10 月闡述其 “Semicon 人形機器人”計劃。各高校實驗室也在積極嘗試各種技術路徑研發人形機器人， 清華大學交叉信息研究院陳建宇團隊機器人“小星”采用準直驅力控方案，可完成多種動 作。多方玩家并驅爭先，有望加速人形機器人硬件升級。

政策密集出臺，加速人形機器人產業化進程。2023 年 6 月 28 日，北京印發《北京市機器 人產業創新發展行動方案（2023-2025 年）》，強調要對標國際領先人形機器人產品，支持 企業和高校院所開展人形機器人研發和工程化，目標在 2025 年前實現百臺（套）級人形 機器人原型機的生產，并在 3-4 個典型場景中開展示范性應用。十四五以來，中央和地方 陸續推出支持人形機器人產業發展的政策，如《“十四五”機器人產業發展規劃》、《“機器 人”應用行動實施方案》、《山東省制造業創新能力提升三年行動計劃（2023-2025 年）》、 《深圳市加快推動人工智能高質量發展高水平應用行動方案（2023-2024 年）》等。多地 利好政策有望推動人形機器人加快工程化和產業化。

決策層：大模型賦予機器人“大腦”，具身智能迎來曙光

大模型使機器人理解自然語言，增強泛化能力

大模型為機器人裝上“大腦”，提升其理解能力與泛化能力。谷歌 DeepMind 于 2023 年 7 月 28 日推出全球首個控制機器人的視覺-語言-動作(VLA)模型 RT-2；斯坦福大學李飛飛教 授研究團隊于 2023 年 7 月 12 日推出 VoxPoser，通過大語言模型加視覺語言模型指導機 器人行動。搭載此類模型的機器人可以像 ChatGPT 一樣被操縱，可理解自然語言指令并 且無需預定義的運動原語或額外的數據和訓練，具身智能迎來曙光（具身智能指具有身體 并支持物理交互的智能體，可借助智能算法實現理解推理并與物理世界互動）。大模型的 發展使機器人更容易理解人類指令并執行動作以完成更好的交互，人形機器人產業化進度 有望加快。

RT-2/VoxPoser 實現自然語言編程，機器人“善解人意”。RT-2/VoxPoser 的一大突破是 使機器人可以理解自然語言指令，無需復雜的編程語言便可完成人機交互。RT-2 模型建 立在視覺-語言模型（VLM）的基礎上，賦予機器人語義理解和基本推理能力，使其可以聽 懂并自主推理出已滅絕動物（恐龍）和哪種飲料最適合疲憊的人(能量飲料)；李飛飛團隊 VoxPoser 模型只需接收到“打開上面的抽屜，小心花瓶！”類似的指令即可執行任務；在 前華為天才少年彭志輝創業公司智元機器人所發布的視頻中，機器人也可根據簡單的文字 或語音指令對桌面上不同顏色的方塊進行選取、調位和疊放等操作。

無需訓練即可完成復雜指令且產生涌現能力，未知場景下 RT-2 模型泛化能力翻倍。新模 型的另一大突破是無需預定義的運動原語或額外的數據和訓練，模型泛化能力增強，加速 機器人通用化。過去算法下實現機器人扔垃圾的動作需訓練機器人區分、撿起、扔掉垃圾 各個步驟，而 RT-2 可以將網絡相關知識傳給機器人，使其無需明確的訓練即可學會扔垃 圾。面對之前從未見過的任務情形，RT-2 成功率達到 62%，泛化性能較 RT-1 提高一倍。 而 VoxPoser 用大模型指導機器人如何與環境進行交互，達到在無需額外數據和訓練的情 況下完成各種任務，并且涌現出了 4 種行為能力，可以自主分步完成任務，掌握評估方法， 根據最新要求做出判斷進而調整輸出動作。

RT-2 泛化能力還體現在其思維鏈（CoT）助其進行多階段語義推理，完成更復雜任務。 DeepMind 研究團隊展示了將思維鏈推理納入 RT-2 中使其能夠進行多階段語義推理，他們 用少量的“增強”數據微調一個 RT-2-PaLM-E 變種，增強數據中加入了“Plan”步驟， 使得 VLM 首先用自然語言描述機器人將要采取的動作的目的，然后再給出預測的機器人 動作標記。例如：“指示：我餓了。計劃：選擇 rxbar 巧克力。行動：1 128 124 136 121 158 111 255?！蓖ㄟ^實驗結果可以觀察到，具有思維鏈推理的 RT-2 能夠回答更復雜的命 令。

決策結果到運動控制映射方式改變，機器人實現“手腦協調”

此前大模型產出的策略需要借助低級別策略或 API 才能完成對機器人的運動控制。視覺語 言模型生成的結果到機器人動作的映射方式，主要取決于該預測結果的層級。之前模型中 預測結果處于高級別設計層級：以 Google PaLM-E 和微軟 ChatGPT for Robotics 為例， PaLM-E 實現了對具身任務的決策方案預測，但不涉及機器人動作的實際控制，需要依賴 低級別的現成策略或規劃器來將決策方案“翻譯”為機器人動作。微軟默認提供控制機器 人的低層級 API，ChatGPT 輸出是更高層級的代碼，需調用到機器人低層級的庫或 API， 從而實現對機器人動作的映射和控制。RT-2 和 VoxPoser 預測結果已經到了低級別動作層 級，不需要再經過復雜的翻譯即可將高層級設計映射到低層級動作。

RT-2 輸出字符串可直接對應到機器人的坐標、旋轉角等信息。RT-2 動作控制采用的方法 是將機器人動作表示為另一種語言，即文本 token，并與 Web 規模的視覺-語言數據集一 起訓練。代表機器人動作的文本字符串可以是機器人動作 token 編號的序列，例如「1 128 91 241 5 101 127 217」，該字符串以一個標志開始，該標志指示機器人是繼續還是終止當 前情節，然后機器人根據指示改變末端執行器的位置和旋轉以及機器人抓手等命令。由于 動作被表示為文本字符串，因此機器人執行動作命令就像執行字符串命令一樣簡單。這種 表示方式允許谷歌對現有的視覺-語言模型進行微調，并將其轉換為視覺-語言-動作模型。

Voxposer 規劃結果直接為機器人運行軌跡。Voxposer 的動作控制實現過程是首先給定環 境信息（用相機采集 RGB-D 圖像）和自然語言指令，之后 LLM（大語言模型）根據這些 內容編寫代碼，所生成代碼與 VLM（視覺語言模型）進行交互，指導系統生成相應的操作 指示地圖（3D Value Map），之后動作規劃器將生成的 3D 地圖作為目標函數，直接合成 最終操作軌跡。在用 LLM 和 VLM 將語言指令映射為 3D 地圖的過程中，系統利用“感興 趣的實體(entity of interest)”來引導機器人進行操作，也就是通過 3D Value Map 中標記 的值來反應哪個物體是對它具有“吸引力”的，哪些物體是具有“排斥性”，比如在打開 抽屜的例子中，抽屜就是“吸引”的，花瓶是“排斥”的。

感知層：聚焦力傳感器應用，機器人知“輕重”懂交互

人形機器人需借助多種傳感器識別自身運動狀態和環境狀況，收集多模態數據以供交互。 具身智能重點在于具有身體體驗的能力，與環境交互獲得視、聽、觸覺等多模態數據再做 出反應，需要模型與傳感器等硬件相互配合。李飛飛教授團隊在介紹 Voxposer 的論文中 提到，具身智能依賴于外部感知模塊，在需要整體視覺推理或理解細粒度物體幾何形狀的 任務中具有局限性，需要更高級的視覺傳感器或其他傳感方式。因此人形機器人產業化不 僅需要大模型完成決策，還需要傳感器等硬件不斷升級進行配合，提供多模態數據。

六維力/關節扭矩傳感器為力控核心，使人形機器人知“輕重”

力傳感發展仍處初期，六維力傳感器和關節扭矩傳感器是核心。在機器人多種感知中，力 覺感知及對應的力傳感器發展較慢，但其在人形機器人的運動控制中起重要作用，可以增 強機器人本體感知及獲取環境物理信息的能力。力傳感器是人形機器人感測力和力矩信息 的主流選擇，可協助機器人完成精細和智能的操作任務。人形機器人力感知主要包括兩種 模式，一種使用末端的六維力傳感器，一種使用關節扭矩傳感器。人形機器人旋轉、線性 執行結構類似于人類關節，對于力的感知相對簡單，可采用關節扭矩傳感器；而對于人形 機器人末端執行器（如腕部、踝部）在執行操作的過程中，力的方向和作用點都在三維空 間內隨機變化，測量需要精確處理，六維力傳感器更符合需求。

六維力傳感器精度高、獲取力信息最全面。六維力傳感器是一類可以同時檢測 X、Y、Z 三軸方向的力和繞三個坐標軸方向的力矩的傳感器，目前已應用于協作機器人和康復醫療 機器人中，可以增強機器人與人協同的安全性。六維力傳感器測量維度最高，可以提供最 全面的力覺信息，其具有高精度、高靈敏度、快速響應、高耐用性和可靠性的特點，可以 輕松檢測到微小的力的變化，實時記錄和傳輸數據，滿足各種應用的需求。相較于三維力 傳感器，六維力傳感器適用于力的作用點離傳感器標定參考點距離較遠，且隨機變化，測 量精度要求較高的情況。同時機器人可以利用獲得的力矩信息推算受力部件的姿態，監測 力矩是否在安全范圍內，有效避免傳感器的過載損壞。

六維力傳感器主要用于人形機器人腕部及踝部。六維力傳感器可裝載于機器人的腕部、踝 部等核心關節處，讓機器人知“輕重”、懂交互，真正實現類人的運動能力。雙足機器人 由于有腳掌的存在，其在落足時會產生力矩，測量該力矩的大小和方向是運動控制中的重 要一環。六維力傳感器可搭載于雙足機器人腳踝處，測量各方向的力和力矩，并由控制器 通過分析傳感器輸出的各維度數據，得出落腳時的受力狀態，從而對機器人姿態進行調整。 六維力傳感器還適用于人形機器人手腕關節處，機械手在執行抓取或裝配工作時，會受到 各方向的力，有六維力傳感器作為感知元件，機器人才能精準執行這些工作，甚至做到 “穿針引線”。

關節扭矩傳感器增強機器人本體感知。關節扭矩傳感器將扭轉力矩引起的物理變化轉換成 精確的電信號，從而形成對機器人單關節力矩的測量和記錄。機器人本體感知依賴關節扭 矩傳感器感測各個關節扭力，獲得各個部位受力情況，提供機器人整體的姿態及位置信息。 關節扭矩傳感器可以實時反饋高質量扭矩信號，迅速識別接觸并立即降低力和速度，因為 該傳感器距離電機較近，避免了機器人機械本體動態特性的干擾，帶寬更高，動態響應更 快。關節扭矩傳感器本質測量一維力，但要抵抗五維力的干擾，抗干擾能力要求高。

高價值高壁壘，六維力傳感器面臨動靜態特性及解耦問題

進口六維力傳感器價格昂貴，國內外產品在多方面仍存在差距。2022 年，在接受高工機 器人采訪時，坤維科技創始人熊琳表示：“一臺高性能的進口力傳感器的價格頂得上國內 一臺協作機器人的價格，導致國內機器人行業用不起，加之標校能力和生產方式等多方面 的約束，國內多數六維力傳感器廠商無法滿足產能需求，阻礙了第三代工業機器人的發 展?！备咝阅芰S傳感器價格從幾千到上萬不等，價值量較高。國內參與者主要是鑫精誠、 宇立儀器（安川電機、KUKA、ABB 的力傳感器合作商）、坤維科技（供貨給節卡、遨博、 睿爾曼、大族等國內協作機器人廠商），但國產六維力傳感器與外資主流傳感器在靈敏度、 串擾、抗過載能力及維間耦合誤差等方面仍存在差距。

應變片式為當前六維力傳感器主流，硅應變傳感器在穩定性、信噪比、剛度方面表現較好。 根據 GGII，六維力傳感器根據傳感元件的不同主要分為三種基本類型：應變片式、光學式 以及壓電/電容式。應變片式可分為金屬電阻應變片和硅應變片，當基體受力發生應力變化 時，應變片也一起產生變形，使應變片的阻值發生變化。壓電/電容式中，電容是通過極距 的變化導致電壓變化，壓電則是通過形變改變電荷。光學式則通常使用光柵或其他光纖技 術檢測光功率并將其轉換為電能。目前市場應用的大部分是基于應變片式的測量，其具有 靈敏度高、測量范圍大、可靠性高、技術成熟等優點。其中硅應變傳感器在穩定性、信噪 比、剛度方面有比較優勢。

應變片式傳感器的彈性體結構是關鍵，一體化和 Stewart 并聯為主流。應變片式六維力傳 感器的彈性體結構設計是核心問題，傳感器的結構受到其應用場合的限制，而力敏感元件 的形式和布置直接影響傳感器的靈敏度、剛度、動態性能、維間耦合等，很大程度上決定 傳感器性能的優劣。六維力傳感器的典型結構設計主要是一體化結構（豎梁、橫梁）和 Stewart 并聯結構。以 Waston 腕力傳感器為典型代表的豎梁結構橫向效應好、結構簡單、 承載能力強，但豎向效應差、維間干擾大、靈敏度較低；十字橫梁結構靈敏度高、易加工， 易于標定，但存在維間耦合和徑向效應；Stewart 平臺中彈性體采用復合式結構，該類傳 感器具有結構緊湊、承載能力強、誤差不累積等優點。

六維力傳感器選型難度大，技術難點集中于保持優良的靜態性能、動態性能和低維間耦合。 六維力傳感器選型難點在于應用多樣性、復雜性。由于傳感器量程和精度成反比關系，選 擇合適量程的傳感器才能使精度達到最大；同時在復雜應用場景下，傳感器本體是否能適 應應用場景也需要考慮；此外還要綜合考慮精密機構當中的傳感器如何安裝在狹小空間內， 如何與機構融為一體等問題。六維力傳感器選型四個核心步驟為確定量程需求——確定使 用環境——確定機械出線需求——確定通訊方式。六維力矩傳感器技術難點集中于需兼顧 優良的靜態性能、動態性能和低維間耦合。未來六維力矩傳感器需要六維聯合加載標定設 備等先進儀器、動態特性優化和矢量運算中的解耦算法解決技術難點。

難點一：六維力傳感器非線性特性顯著，需要更為復雜的六維聯合加載標定。標定是指通 過加載理論值的載荷并同時記錄傳感器輸出的對應原始信號的方式，獲得六維力傳感器內 部算法的各個參數，建立傳感器原始信號和受力之間的映射關系。標定解耦是六維力傳感 器提高精度的主要方法，因此標定工作在傳感器的研發過程中扮演著重要角色?，F有標定 裝置存在較多局限性，如加載載荷有限、無法進行復合加載、無法加載所有維度正負方向、 維間耦合較大等。這些局限性因素限制了六維力傳感器標定的有效性，影響其最終使用精 度，只有采用六維力聯合加載標定，才能使傳感器的準度更好、串擾更低。

難點二：實際應用條件復雜，動態性能優化算法仍需提升。六維力傳感器使機器人實現柔 順化、智能化控制，因此在動載荷下性能指標要求更高。在實際的力/力矩測量過程中，被 測信號大多是動態信號，如機器人打磨拋光時的接觸力、物體高速運動過程中的稱重和炮 彈發射過程時的后座力等，這些信號屬于快速時變信號，動態性能較差的傳感器跟蹤測量 這些信號難度較大。且當前動態性能的分析方法很難獲得完全意義的沖擊信號和階躍信號， 造成感應系統的精度下降。當前業界主要使用優化自身結構、形狀等方法提高動態性能， 國內外學者還嘗試利用動態補償濾波器、遺傳算法、神經網絡算法等智能算法來提高傳感 器的動態性能。

難點三：維間耦合問題無法徹底避免，解耦算法紛繁復雜。理想的六維力傳感器，每一方 向輸出通道的電壓值僅取決于該方向作用力/力矩的大小，與其余五個方向作用力/力矩大 小無關。但是由于傳感器的結構設計、機械加工的精度、貼片技術、應變片橫向效應與檢 測方式等方面的原因，幾乎每一維作用到傳感器上的力/力矩分量都會對傳感器的各路輸出 信號產生影響，造成維間耦合問題。因此需要解耦算法來對六維力傳感器的輸出進行解耦， 消除維間干擾，提高傳感器的測量精度。但當前對于多維力傳感器的解耦問題并沒有統一 的處理方法，需根據實際情況及傳感器結構進行選擇和優化。

六維力傳感器+本體感知帶來機器人手部物品姿態估計新解法

位姿估計是機器人領域重要問題，特殊環境下視覺反饋算法估計物品姿態可靠性較差。早 期位姿估計算法包括模板匹配和特征點檢測，前者預構建目標位姿模板庫，檢索得到最相 似模板圖像對應位姿；后者提取目標二維圖像特征，構建關鍵點匹配后使用 N 點透視法解 算。這兩種方法依賴物體表面顏色紋理，受環境因素影響大。之后三維相機在機器人視覺 領域得到應用，引入場景三維幾何信息提高目標位姿估計精度，但其需要人工設計圖像特 征提取方式，泛化性能差。近期 PoseCNN 構建卷積神經網絡自動提取圖像特征，采用端 到端的方式回歸物體三維位姿，但總體來看基于視覺系統的位姿估計算法應用場景受到較 大限制，在視覺被阻礙的環境中（狹窄空間進行精細裝配或操作）估計結果可靠性較差。

六維力傳感器搭配本體感知提供機器人手部物品姿態估計新解法。2023 年 7 月，RSS 會 議上刊登了機器人感知手部物品姿態解決方案的論文，密歇根大學機器人系的 Andrea Sipos 和 Nima Fazeli 利用機器人本體感知（自身關節處扭矩傳感器的感知反饋）以及手 腕上六維力傳感器的觸覺反饋，并使用接觸粒子濾波器算法，定位接觸位置并估計物體姿 態，簡稱 SCOPE，該方法可精確的完成接觸位置的確定和物體姿態的估計，有望推動人 形機器人的位姿估計能力。

SCOPE 可精準確定接觸位置，快速迭代估計物體姿態。SCOPE 方法是在接收到六維力 傳感器和關節扭矩傳感器的信號數據后，使用接觸粒子濾波器處理，完成物體姿態識別。 上述論文中的實驗選用來源于德國宇航局的 Franka Emika Panda 機器人，其是一款高性 能七軸協作機器人，每個關節都配有扭矩傳感器，力控性能在同類型機器人里面處于領先 地位，手腕的六維力傳感器則是美國企業 ATI 生產。在估計過程中雖然初始分布有較大的 誤差和高方差，但 SCOPE 可以在短短幾次迭代中以低方差估計物體姿態。并且實驗發現， 即使對于較小的，非凸形狀的工具，SCOPE 方法依然可以給出較為精確的姿態估計結果。

使用接觸粒子濾波器算法進行采樣定位，提供準確力信息?，F有的物體姿態估計信號處理 算法可以分為三大類：幾何匹配、概率方法和機器學習方法。目前主流方法是使用概率方 法（粒子過濾器、SLAM 和蒙特卡洛方法等）來估計物體的姿勢，其中粒子濾波器所需計 算量小，且在非線性情況下表現較好，常被用于定位、跟蹤物體等問題。Sipos 和 Fazeli 使用了兩個互補的接觸粒子濾波器（Contact Particle Filter）：一個用于估計接觸位置，另 一個用于估計物體姿態，都是在接收到關節處扭矩傳感器和手腕處六維力傳感器的信號后 進行概率分布的計算更新，幫助去除來自環境的噪聲和不確定性，得到更準確和可靠的接 觸力信息。

MultiSCOPE 實現多個接觸跨物體姿態估計，助力機器人使用人類工具。Sipos 和 Fazeli 進一步于 2023 年 6 月提出 MultiSCOPE，該方法使用本體感知和手腕處六維力傳感同時 估計兩個物體在未知配置情況下被兩個協同手臂抓取的姿態。該方法由單個物體的感知擴 展到多接觸的交互，實現了跨動作的物體姿態估計。在該實驗中機器人手持扳手可以擰動 一個螺釘，即機器人既可以感受到直接接觸的扳手形態，又可以通過扳手和另一只手臂上 的力傳感器感受到螺釘的狀態變化，估計兩個抓取物體的姿態，從而完成多任務。該實驗 的成功使機器人具備多物體的感知能力，有助于機器人操作人類工具完成多項任務，提高 人形機器人多場景下的通用性。

六維力傳感器+本體感知技術使姿態估計向多模態+高效連續性發展?；诹S力傳感器和 本體感知的物體姿態估計技術為機器人感知并抓取物體提供了新解法。該方法可與其他方 法完成多模態互補，在無遮擋場景中，視覺感知方法可以與 SCOPE 共同使用以提高性能： 比如機器人可以使用視覺反饋來初始化作用域和初步識別，提高感知效率。SCOPE 技術 未來的發展方向也會集中于減少收斂到準確的物體姿態估計所需的動作數量和連續的下一 步動作選擇算法，以提高機器人抓取物體的連續性和高效性。SCOPE 與六維力傳感器的 結合有望加快人形機器人實際應用。

執行層：剛性驅動器方案成熟，準直驅方案滲透率有望提高

特斯拉采用成熟的剛性驅動器方案，未來準直驅方案滲透率有望提高。機器人關節驅動器 按動力來源可以分為液壓、氣動、電驅等。液壓雖然功率高，但可靠性和精度低，噪音大， 成本高；氣動柔順性好，安全性高，但精度差，時滯高。電驅因其精度、安靜、高效方面 的優勢逐漸成為主流，其經過 30 多年的發展，經歷了從剛性驅動器、彈性驅動器到準直 驅驅動器的過程。特斯拉采用的是最早推出，也是相對成熟的剛性驅動器方案。如果電機 和減速器性能沒有大幅提升的情況下，在雙足機器人領域剛性驅動器將會逐步被取代。近 幾年新興的準直驅驅動器技術發展迅速，未來有望替代傳統的剛性驅動器。

剛性驅動器技術相對成熟，整體設計較難創新。1983 年，早稻田大學研究出剛性驅動器 （TSA），自此 TSA 在雙足仿人機器人上廣泛應用。結構上，TSA 是常規無刷電機驅動高 傳動比減速器，有些在電機端增加剎車，在減速器和輸出端增加高剛性力矩傳感器。力矩 測量上，TSA 是基于電流或應變片式力矩傳感器?？刂粕?，TSA 控制簡單，精度高。功率 和效率方面，TSA 無功率可調，效率較低，安全性較差。TSA 整體設計方面已經較難有創 新，在合適工作區間內的最大輸出功率密度只能到 200-300W/kg，遠沒有達到動物肌肉的 500W/kg，同時也解決不了機器人受外部沖擊時零部件強度問題，目前的研究集中在優化 設計上。

彈性驅動器技術路線多樣，多數結構和控制復雜。動物利用剛柔并濟的肌肉骨骼系統在運 動過程中儲存和釋放能量，調節能量在時間和功率密度上的不匹配，提高關節爆發力，同 時能夠實現落地緩沖。1995 年，MIT 推出彈性驅動器來模擬肌肉系統功能，使關節表現出 柔順、安全和高能量效率特性，目前已演化出 SEA、PEA、CEA 和 MEA 多種結構。彈性 驅動器多在剛性執行器的基礎上串聯或并聯彈性體。力矩測量上與剛性傳感器較為類似。 控制上，多數彈性驅動器方案結構與控制復雜，精度一般。綜合來看，由于彈性體引入， 系統為欠驅動，給控制帶來了難度，尤其在機器人腿部使用，機器人整機的運動控制比較 難實現。

準直驅驅動器是新興技術，編碼器和電機功率密度為其主攻方向。受限于工藝和技術，電 機直驅的扭矩密度不能滿足機器人應用的需求，因此，2016 年 Wensing 等推出準直驅驅 動器（PA），采用電機加低傳動比減速器（如行星減速器）的方案，實現高帶寬力控和良 好的抗沖擊能力。2023 年 UCLA 也采用了類似的方案設計了不同于特斯拉的新型人形機 器人結構。結構上，PA 主要由高扭矩密度電機、低傳動比減速器、編碼器和控制板等組 成。力矩測量上，PA 應用電流環檢測?？刂坪托噬?，PA 精度高，效率高。安全性上， PA 由于具有反驅特性，安全性好。PA 未來主攻方向是編碼器技術的創新和電機功率密度 的提高。

剛性驅動器 VS 準直驅驅動器，成熟系統 VS 高效新解法。結構布局方面，剛性驅動器是 常規無刷電機驅動高傳動比減速器，直接帶動輸出端，有些設計在電機端增加剎車，在減 速器和輸出端增加高剛性力傳感器，準直驅驅動器是高扭矩密度電機驅動低傳動比減速器， 輸出端具有小慣量特性；力矩測量方面，剛性驅動器是基于電流或應變片式力矩傳感器， 準直驅驅動器是應用電流環檢測；控制方面，剛性驅動器控制相對簡單，精度高，準直驅 驅動器控制簡單，精度相比剛性驅動器來說較低；能量特性方面，剛性驅動器的效率較低， 而準直驅的效率較高。安全性方面，剛性驅動器的安全性比較差，準直驅驅動器由于具有 反驅特性，安全性好。

責任編輯：彭菁