具身前哨 · 第 71 期

**机器人竞技进入“具身智能”时代：RoboCup 展现人形机器人新趋势**

随着具身智能（Embodied Intelligence）技术的爆发，机器人竞技正从传统的自动化任务转向复杂的物理交互。在近期聚焦的 RoboCup 等赛事中，人形机器人（Humanoid）与物理 AI 的融合成为核心趋势。参赛机器人在复杂环境中表现出更强的动态平衡能力，并开始集成视觉-语言-动作模型（VLA），旨在实现从感知到决策再到执行的端到端（End-to-end）控制。

技术层面，参赛团队正通过强化学习（Reinforcement Learning）与模仿学习（Imitation Learning）大幅提升机器人的运动控制（Locomotion）稳定性。在抓取（Grasping）与精细操作（Manipulation）任务中，结合仿真到现实（Sim-to-real）技术的训练让机器人能够处理非结构化环境中的多变物体。此外，基于世界模型（World Model）的预测机制正成为提升机器人在动态场景下决策能力的关键。

这一转变标志着机器人领域从单一的自动化工具向具备通用能力的智能实体跨越。通过在高度复杂的竞技环境中磨炼具身AI能力，相关技术将直接赋能工业协作机器人（Cobot）与通用人形机器人，加速其走向真实世界的复杂作业场景。

**【头条】探索人形机器人与人类共存的边界：Miraikan开展交互实验**

日本科学技术振兴机构（MIRAI LAB）近期开展实证实验，旨在探索移动式 humanoid（人形机器人）在公共空间与人类互动时的安全边界与心理感知。

该研究聚焦于具身智能（embodined intelligence）在复杂环境中的应用。通过部署具备运动控制能力的机器人，研究团队监测人类在面对机器人的动态路径、动作幅度及接近距离时的反应变化。实验旨在建立一套科学的交互规范，确保人形机器人在执行任务时既能高效完成操作，又能保障人类的安全与心理舒适度。

此项研究对于推动 humanoid 进入公共服务领域具有重要意义。通过量化人机互动的安全阈值，相关成果将直接助力机器人从实验室走向工厂、商超等真实场景，为构建和谐的共存环境提供关键技术标准和行为准则。

**中国月球基地计划：机器人将承担巡检、建设与勘探核心任务**

中国计划在2035年建立月球基地，届时机器人将成为关键的作业力量。这些机器人的核心功能涵盖了复杂的地面巡逻、基础设施建设以及深空环境下的资源勘查。

在技术实现上，相关系统将整合先进的具身智能（embodied intelligence）与自动化技术。通过集成高精度的运动控制算法和鲁棒的感知系统，机器人能够应对月球表面的极端地形挑战。这些机器人的任务涵盖了从基础的物流运输到复杂的灵巧操作（manipulation），旨在替代人类进入高风险区域执行高强度工作。

这一规划标志着空间探索正从“人机协作”向“高度自动化”转型。通过部署具备自主决策能力的机器人集群，中国不仅能显著降低月球基地的运营成本和人员风险，更将为建立长期、可持续的月球科研基地奠定技术基础。

Boston Dynamics 的 Spot 机器人已在 Mariana Minerals 的矿区部署，用于在复杂的铜矿环境中执行巡检任务。该机器人在极端工业环境下展现了卓越的平衡能力与地形适应性，实测涵盖了崎岖不平的矿石堆及多变的地形环境。这标志着具身智能（embodined intelligence）正从实验室走向高风险、高难度的工业一线。通过在真实复杂场景中的落地应用，Spot 证明了四足机器人能够替代人类进入危险区域，推动自动化作业从简单的 AGV/AMR 运输向复杂的非结构化环境操作跨越。

Unitree Robotics（宇树科技）IPO定价为每股150.8元人民币，市盈率飙升至219倍以上，预计市值将超过400亿新台币。作为国内领先的机器人企业，其高估值反映了资本市场对人形机器人及具身智能领域的极高预期。此次IPO不仅为Unitree提供大规模资金支持以加速研发，更标志着硬件制造与基础模型融合的趋势正进入资本密集型扩张阶段，将推动国产高性能运动控制技术与灵巧操作技术的快速商业化落地。

Foundation推出新型机器人手，通过端到端（end-to-end）架构成功在空中接住棒球。该系统融合了视觉-语言-动作（VLA）模型与强化学习技术，显著提升了机器人在动态环境下的抓取（grasping）精度。相比传统基于预设路径的控制逻辑，这种基于基础模型（foundation model）的驱动方式大幅降低了复杂任务的建模难度。这标志着具身智能（embodied intelligence）正从简单的轨迹跟随转向具备高动态响应能力的灵巧操作，为工业自动化中的非结构化抓取提供了更高效的技术路径。

研究者针对工业人形机器人（humanoid）的本质安全难题提出了“失效被动缺口”（fail-passive gap）概念。由于双足机器人的平衡状态依赖于主动控制，传统的断电保护会导致其摔倒造成二次伤害，从而无法直接符合ISO 13849-1等工业标准。研究通过在Unitree G1 EDU机器人上部署基于IEC 61131-3标准的软件定义自动化（SDA）控制器，量化了外部安全链与内部平衡策略之间的风险界限。这一发现揭示了具身智能进入工厂环境的合规性瓶颈：单纯依靠算法优化无法替代硬件层面的功能安全认证，工业级部署必须在复杂的动力学控制与严苛的安全标准之间建立明确的隔离机制。

研究团队推出PhyLatent，旨在通过引入动力学相关训练目标来优化JEPA世界模型（World Model）。该技术针对物理不可辨识和反事实动力学崩溃等三大故障模式进行专项优化。在OGBench-Cube测试中，PhyLatent将三种失败率显著降低，并将模型预测控制（MPC）的成功率从70.0%提升至78.1%；在TwoRooms场景下，成功率更大幅跃升至98.0%。这表明单纯防止全局表征坍缩不足以构建可靠的状态空间。对于具身智能领域，该技术能显著提升机器人对物理规律的感知精度，为复杂环境下的运动控制和决策提供更稳健的底层模型支持。

研究者提出S2M-Sense平台，通过物理引导模拟器和对抗式无监督迁移学习，解决毫米波人类活动识别中因用户朝向变化导致的数据标注难问题。该系统在60.48 GHz毫米波数据中实现了0.84的结构相似性指数（SSIM），并仅需16个无标签样本即可将跨域识别准确率从88.33%提升至95%。这为具身智能中的环境感知提供了新路径，通过降低对大规模真实标注数据的依赖，显著降低了复杂多变场景下的感知识别成本。

研究团队推出 TRACT 框架，通过引入时间路由动作块与时序相位权威机制，解决模仿学习中复杂接触式操作（Contact-Rich Manipulation）的决策偏差问题。在六种不同型号的真实机器人测试中，TRACT 实现 10/10 的全序列成功率，并将擦拭任务的平均完成率从 8.03% 提升至 77.08%。该技术通过消除相位歧义并引入因果响应积分器，显著增强了机器人在复杂物理交互中的稳定性。这为具身智能（Embodied Intelligence）在处理高动态、多阶段工业操作任务时提供了更稳健的端到端控制方案。

TS2TabPFN框架通过融合显式特征提取与TabPFN 2.5（表格数据基础模型）的预测能力，显著提升了时间序列分类（TSC）和外在回归（TSER）任务的性能。该方法有效填补了传统特征工程的可控性与端到端模型的自动化优势之间的鸿沟。实验结果显示，TS2TabPFN在TSER任务中优于现有最先进模型。这标志着基础模型与结构化特征结合正成为处理复杂时间序列数据的核心路径，为具身智能中的传感器数据解析和状态预测提供更稳健的算法支撑。

JuRe（Just Repair）通过极简的深度可分离卷积残差块，在时间序列异常检测任务中实现了超越复杂模型的性能。该模型在TSB-AD多变量基准测试中获得0.404的AUC-PR得分，且推理速度比AxonAD快约20倍；在UCR单变量存档中，其表现优于所有神经基准模型。JuRe证明了去除冗余架构、仅保留核心修复逻辑即可高效处理异常检测。这对工业监控与实时监测领域意味着：低功耗、高效率的轻量化算法能够替代复杂的深度学习框架，在资源受限的边缘计算设备上实现更实用的部署。

FinVerse 发布了一个专门针对金融领域的时间序列预测基准测试，旨在解决通用评估指标与实际决策脱节的痛点。该数据集包含 116,897 条金融时间序列和 1.71 亿个观测值，并基于经济相关性筛选出 60,232 条核心目标序列。不同于仅关注预测误差的通用基准，FinVerse 定义了涵盖 78 个指标的 11 类度量体系。对 43 个公开基础模型的测试表明，高准确率并不等同于有效的金融决策支持。这要求具身智能及相关领域在处理特定垂直场景时，必须构建更符合真实业务逻辑的专用评估框架。

Analog Devices (亚德诺半导体) 重新成为 MassRobotics 的战略赞助商，旨在通过提供高性能模拟芯片支持初创企业研发具身智能（embodied intelligence）技术。该合作重点支持包含人形机器人、灵巧操作及复杂运动控制在内的核心领域，助力创业公司攻克从仿真到现实（sim-to-real）的转化难题。此举意味着半导体巨头正深度介入机器人产业链底层硬件，通过高性能芯片赋能 VLA 模型与端到端控制算法，加速商用机器人的感知与操控能力进化。

Global Venturing 数据显示，7月由企业支持的初创公司融资在食品、机器人和能源领域显著增长。其中，机器人领域的投资涵盖了从基础模型驱动的具身智能（embodied intelligence）到人形机器人（humanoid）等多个细分赛道。技术层面，资金正流向融合视觉-语言-动作（VLA）模型的端到端控制系统，以及通过强化学习提升灵巧操作（manipulation）和运动控制（locomotion）的算法。这表明资本正在从单纯的硬件制造转向赋能具身智能核心能力的底层技术突破，加速机器人从工业自动化向复杂多变场景的跨越。

Multiway Robotics 为马来西亚制造商部署的智能仓储自动化系统，通过集成自主叉车与WMS/RCS软件平台，实现了覆盖5,000个存储位置的全流程自动化。该系统包含MW-K16窄巷道叉车（支持1.75米窄通道及9米高位堆垛）、X20自动托盘车及MW-SL14自动堆垛机，将仓储密度提升逾30%。此案例展示了多机型协同与端到端自动化在复杂物流场景中的实战能力，标志着工业级移动机器人正从单一功能点向高度集成的全流程智能供应链协同演进。

Brain Corp 宣布其操作系统驱动的机器人全球部署量已突破 50,000 台，并在 2026 年上半年实现 68% 的同比增长。数据显示，相关机器人累计运行超过 530 万小时，覆盖面积增加 4 亿平方英尺。这一规模化的实测数据标志着企业级机器人从“实验阶段”转向“大规模商用”。对于具身智能行业而言，这意味着市场需求正从单一任务的演示转向对具备高可靠性、可扩展性及数据安全的自动化平台的需求，推动相关技术进入零售、物流等真实场景的大规模落地。

Adiabatic Technologies 获投 8.3 克尔（约 830 万卢比）用于扩大无人机和机器人领域的锂离子电池生产。该公司专注于为高动态要求的移动设备提供高性能动力源，旨在解决复杂任务中能源密度的痛点。随着具身智能（embodined intelligence）从实验室走向工业应用，更高效的动力系统是支撑人形机器人、AMR 以及长航程无人机等硬件载体的核心基石。此举将加速高能效电池在自动化物流与专业机器人领域的渗透，推动移动机器人的作业时长和任务复杂度上限。

TechCrunch Disrupt 2026 将设立全新的“Real World AI Stage”舞台，聚焦具身智能与物理世界的深度融合。活动将于10月13日至15日在旧金山Moscone West举行，涵盖Shield AI、Colossal Biosciences等企业的核心技术。现场将探讨高可靠性自动驾驶系统、边缘计算中的低延迟AI架构以及利用AI进行物种复原的生物工程。这标志着具身智能正从云端模型走向极端环境与复杂物理场景，推动机器人从实验室原型向国防、工业及生态保护等高门槛领域的实战化落地。

Travis Kalanick创立的机器人与工业AI初创公司Atoms在完成17亿美元融资后，高薪聘请前Uber首席财务官Gautam Gupta出任CFO。Atoms此前已收购矿业自动化初创公司Pronto，并获得包括Uber在内的机构投资（据报为1亿美元）。这一动作标志着核心团队的重组与扩张，旨在通过整合资深管理经验加速从“比特到原子”的转型。对于具身智能行业而言，这预示着资本正向具备复杂物流、矿业及运输场景的工业级机器人领域集中，并倾向于由具有极强执行力的实战派团队主导底层技术的商业化落地。