具身前哨 · 第 70 期

**人形机器人交互中的“恐怖谷”效应：情感表达的精准度是关键**

在人形机器人（Humanoid）领域，生硬或不自然的表情与动作会导致用户产生警惕甚至反感。研究表明，当机器人的情感表达不够自然时，用户会因感知到违和感而降低信任度。

为了解决这一挑战，最新的技术突破聚焦于融合视觉-语言-动作模型（VLA）与具身智能（Embodied Intelligence）。通过集成基础模型（Foundation Model），机器人能够更精准地理解复杂的人类指令，并将其转化为自然的肢体动作与面部表情。在实际测试中，采用端到端（End-to-end）训练架构的机器人，在多轮交互中的流畅度显著优于传统基于预设脚本的系统。此外，结合强化学习（Reinforcement Learning）和仿真到现实（Sim-to-real）技术，机器人能够在复杂的动态环境中实现更自然的运动控制（Locomotion）。

这一突破意味着人形机器人正从“功能性工具”向“情感交互伙伴”转变。高度拟人化的表达不仅是技术的自我证明，更是其进入服务、康养及零售等高频社交场景的核心门槛。精准的非语言沟通将极大提升用户体验，推动具身智能在真实社会中的广泛应用。

**人形机器人迈向通用智能：核心技术突破与演进路径**

要实现真正具备人类能力的通用人形机器人，关键在于攻克具身智能（Embodied Intelligence）领域的底层技术瓶颈。最新的行业指南指出，人形机器人的进化高度依赖于端到端（End-to-end）架构的融合，特别是将视觉-语言-动作模型（VLA）与基础模型（Foundation Model）深度结合，赋予机器人理解复杂指令并执行复杂任务的能力。

在技术层面，核心突破集中在三个维度：首先是运动控制（Locomotion），通过强化学习（Reinforcement Learning）和仿真到现实（Sim-to-real）技术，提升机器人在复杂地形的平衡与行走稳定性；其次是灵巧操作（Dexterous Manipulation），利用模仿学习（Imitation Learning）提升抓取（Grassing）精度；最后是世界模型（World Model）的构建，赋予机器人预测环境变化的能力。

这些技术的突破意味着人形机器人将从特定场景的自动化工具演变为具备通用能力的智能实体。随着具身AI技术的成熟，人形机器人有望跨越工业装配、物流分拣等单一领域，进入服务机器人及复杂多变的非结构化环境，成为未来通用型机器人的核心驱动力。

**宇树科技（Unitree Robotics）估值飙升，具身智能赛道加速狂飙**

宇树科技凭借在人形机器人领域的快速突破，成为当前具身智能（Embodied Intelligence）赛道最受瞩目的独角兽。其核心技术突破在于通过端到端（End-to-end）架构融合视觉-语言-动作模型（VLA），显著提升了机器人的泛化能力与任务执行精度。

在硬件性能上，宇树推出的产品线涵盖从工业级自动导引车（AGV）到高性能人形机器人。其最新研发的灵巧手（Dexterous hand）配合强化学习（Reinforcement Learning）算法，实现了高精度的抓取（Grasping）与复杂操作（Manipulation）。通过先进的仿真到现实（Sim-to-Real）技术，宇树大幅缩短了模型从虚拟环境到真实场景的迁移周期。

随着人形机器人进入大规模量产前夜，宇树的技术突破正推动具身智能从实验室走向工业生产线。其高度集成的低成本硬件方案与高效的运动控制（Locomotion）算法，正成为重塑自动化物流、制造等领域的关键驱动力。

日本企业推出新款人形机器人，旨在解决医疗及制造等领域的严重劳动力短缺问题。该产品聚焦于复杂环境下的实操能力，计划在2026年8月正式推向市场。通过集成先进的感知与运动控制技术，该机器人的应用场景涵盖了高精度的工业组装与医疗护理辅助。这标志着人形机器人正从实验室走向大规模商用化，将推动具身智能（Embodied Intelligence）在自动化生产线和公共服务领域的深度渗透，成为解决全球劳动力结构性短缺的关键技术路径。

Unitree（宇树科技）创始人王兴兴个人财富已突破180亿元人民币。作为国产机器人领域的领军企业，Unitree在双足 humanoid（人形机器人）研发及运动控制领域取得显著进展。这一资本规模的扩张反映出具身智能（embodied intelligence）赛道正进入高资本密集阶段。大量 90 后创业者涌入该领域，将加速推动从基础模型到端到端（end-to-end）控制技术的工程化落地，促使国产机器人从实验室原型走向大规模工业应用。

Nucleus 正式在工业现场部署人形机器人进行实地培训，旨在通过真实场景数据训练具身智能（embodied intelligence）模型。该系统利用端到端（end-to-end）架构处理复杂的抓取（grasping）与操作（manipulation）任务，并结合模仿学习（imitation learning）技术提升机器人的作业精度。这标志着人形机器人正从实验室走向工业实操环节，通过真实环境的反馈加速模型泛化能力，为大规模工业自动化提供更具灵活性的人形机器人解决方案。

研究团队推出 HiRoC 框架，通过层级化后训练（Hierarchical Post-Training）显著提升具身智能在长程操作任务中的表现。不同于传统的扁平策略模型，HiRoC 将高层任务规划与底层动作执行解耦：规划器负责将复杂指令分解为具备语义指引的子目标，执行器则通过强化学习（Reinforcement Learning）不断优化基于子目标的动作生成。实验证明，该方法在多个机器人操作基准测试中优于现有强基线模型。这一技术突破解决了 VLA 模型难以处理长程任务的痛点，为具身智能从简单指令执行向复杂、连续的任务流演进提供了更稳健的架构路径。

研究团队推出端到端学习的本体感知里程计模型TRACE，旨在解决足式机器人（legged robots）在不可靠接触条件下的定位漂移问题。该模型通过引入“足部感知交叉注意力模块”，无需手动定义接触或滑动阈值即可自动平衡IMU与腿部运动学信息。实验证明，TRACE在多种室内外复杂地形中均优于传统滤波和纯学习基准算法。这一技术突破为具身智能（embodied intelligence）提供了更稳健的底层定位支撑，显著提升了足式机器人在非结构化环境中的鲁棒性。

Figure 03 展示了其人形机器人（humanoid）在无人工干预的情况下完全自主攀爬梯子的能力。该机器人通过端到端（end-to-end）的控制架构，实现了复杂的运动控制（locomotion）与动态平衡。相比于传统的预设路径规划，这种基于具身智能（embodied intelligence）的决策模式显著提升了机器人在非结构化环境中的适应力。这标志着人形机器人正从受限的工厂车间走向更复杂的户外或复杂作业场景，为通用型服务机器人的大规模落地提供了关键技术验证。

Humanoids（人形机器人）必须大幅降低成本才能在工厂大规模落地。目前工业场景仍以低成本的AGV（自动导引车）和AMR（自主移动机器人）为主，而复杂操作则依赖于具备灵巧抓取能力的协作机器人（cobot）。由于人形机器人的硬件成本高昂且维护复杂，企业倾向于采用特定功能的机械臂。这要求具身智能领域从追求通用性转向针对特定工位的低成本方案，推动行业从全能型人形机器人向模块化、低成本的专用机器人协同架构转型。

研究人员提出一种受量子理论启发的“量子结构世界模型”（QSWMs），旨在通过复数表示和密度矩阵类潜变量提供更强的归纳偏置。该框架在基础细胞自动机（Elementary Cellular Automata）测试中，展示了复数值变体在局部预测方面的潜力，并揭示了密度矩阵变体在长程演化中的局限性。这一技术路径为具身智能提供了除传统向量和Transformer激活外的全新状态表征方式，有助于提升复杂环境下的世界模型建模精度与空间压缩效率。

研究者提出一种确定性世界模型（Deterministic World Model, DWM），旨在解决端到端视觉控制系统在安全关键场景中的闭环可达性分析难题。该模型摒弃随机潜变量，通过将物理状态直接映射为合成图像，并在CARLA制动系统及CartPole、MountainCar等三个Gym基准测试中，展现出比cGAN和轨迹预测器更紧致的可达性包络。这一技术突破为具身智能提供了一种严谨的验证框架，能够有效量化端到端视觉控制系统的安全性边界，推动机器人从实验室走向高要求的工业实测环境。

研究团队推出基于多玩家架构的视频世界模型MASS，通过解耦世界动力学与视角渲染，解决了多智能体环境中状态耦合导致的计算冗余和视图不一致问题。该模型在Snake基准测试中实现了1024名并发玩家、持续10,000步的循环预测，且具备更高的状态准确性。这一技术突破为大规模、高一致性的多智能体世界模拟提供了可行基础，有助于构建更具鲁棒性的具身智能仿真环境，支持复杂场景下的多机器人协同决策。

研究者提出一种基于几何解释的“去噪加速（accel）”指标，旨在解决流匹配（Flow-matching, FM）作为动作头在具身智能模型中难以量化不确定性的难题。该方法无需额外训练或多次采样，仅通过单次前向传播即可识别出因场景误判或分布外输入导致的错误动作序列。实验证明，accel 在在线故障检测中表现优于高成本的重采样基准。这一进展为 VLA（视觉-语言-动作模型）在真实环境中的安全部署提供了低成本的技术路径，显著降低了机器人执行任务时的风险控制门槛。

研究者提出了一种经济世界模型（Economic World Models, EWMs）的实施蓝图，旨在构建能够模拟异质主体交互、机构演变及市场动态的生成式引擎。该框架定义了从基于固定规则到具备自我进化能力、并与真实观测对齐的“仿真到现实（sim-to-real）”经济孪生体的六级能力阶梯。目前大多数研究仍集中在低层级的代理模拟，而具有内生机构和持续经验对齐的高级系统依然稀缺。这一进展将为具身智能提供高保真的决策沙盒，并为AI Agent在复杂经济环境中的训练、规划与安全评估提供关键的底层支撑。

研究团队推出 CGTime（计算支撑的时间序列语言模型），通过将“感知”与“描述”解耦，解决了多变量时间序列与语言对齐中的自监督陷阱。该模型参数量为 4B，在多变量事实评分上达到 0.283，显著超越 GPT-4o-mini（0.173）和 GPT-5.4-nano（0.203）。通过确定性代码预计算统计特征再由 LLM 进行表达，该方法确保了描述的准确性。这为具身智能中的多传感器数据融合提供了更可靠的路径，能够让机器人更精准地理解复杂环境下的动态变化规律。

研究团队推出 XEWorld 测试基准，旨在评估基于动作的“世界模型”（world model）在未知机器人形态上的泛化能力。实验揭示当前模型本质上是 2D 视觉模式匹配器，其表现受视觉相似性而非物理运动学规律驱动，导致模型难以将抽象关节动作转化为连贯的视觉轨迹。这一发现指出，当前的具身智能（embodied intelligence）模型在解耦视觉外观与底层物理动力学方面存在架构瓶颈。这意味着要实现真正的跨形态泛化，行业需突破单纯依赖像素空间动作的局限，建立更深层的物理规律建模。

Ando Hajima（安藤建设）与 Kobe College of Technology（神户高等专门学校）联合开展基于物理AI的建筑机械自动化研究。项目核心在于让人形机器人操作大型液压挖掘机，旨在解决高风险、高强度施工环境中的劳动力短缺问题。该合作融合了具身智能技术，将复杂的机械操纵转化为可自动化的逻辑。这标志着具身智能正从实验室走向极端工业场景，推动建筑自动化从简单的AGV运输转向复杂任务的自主操作。

人形机器人（humanoid）在山梨县南阿尔卑斯市的幼儿园活动中完成华丽舞蹈，展示了高度稳定的运动控制能力。该机器人在复杂的人群环境中保持平衡并执行特定动作，体现了从强化学习到实际应用场景的跨越。这标志着具身智能（embodined intelligence）正从实验室走向公共服务领域。通过将复杂的运动控制与交互逻辑整合，人形机器人正在突破传统AGV或AMR仅能执行简单搬运任务的局限，成为具备高度灵巧性（dexterous）和多功能性的通用平台。

Robosta推出的租赁平台ROBO RENTA支持用户从1泊2日起租借人形机器人（humanoid）及四足机器人。该服务旨在通过降低硬件门槛，助力企业在展览会和招聘活动中展示自动化技术。通过提供实物设备而非仅展示视频，该平台加速了商用场景的落地验证。这为具身智能（embodied intelligence）从实验室走向工业应用提供了低成本试错路径，推动机器人产品进入更广泛的营销与品牌推广环节。