**Agility Robotics 发布新一代人形机器人 Digit 5，强化安全性与工业应用能力**
Agility Robotics 正式发布新一代人形机器人 Digit 5，通过全新的安全架构设计，显著提升机器人在复杂工业环境中的作业可靠性。
Digit 5 在硬件与软件层面进行了深度优化：其核心架构支持更复杂的任务逻辑，并针对人机协作场景强化了碰撞检测与紧急制动响应。在技术实现上，该机器人集成了先进的运动控制算法，旨在提升其在非结构化环境中的稳定性。相比前代产品，Digit 5 在抓取（grasping）精度和动态平衡方面表现更出色，能够更平稳地执行搬运等高频工业任务。
此次产品的迭代标志着人形机器人从实验室原型向实际生产线的跨越。通过增强的安全性与可靠性，Digit 5 有望在物流仓储、制造工厂等领域快速替代传统自动化设备，成为解决劳动力短缺问题的关键工具。
**警用机器人进入实战：ICE推动四足机器人进入执法一线**
美国移民与海关执法局（ICE）正加速推动四足机器人进入执法一线。在2024年的一起对峙事件中，名为Roscoe的四足机器人成功协助Cape Cod特警队平息了现场冲突。
该类机器人在复杂地形中的高机动性使其成为理想的执法工具。通过集成先进的运动控制（locomotion）算法与远程操作（teleoperation）技术，此类机器人能够在保障警员安全的同时，进入高风险区域进行侦查或干扰目标。相比于传统的地面车辆，四足机器人具备更强的越障能力和灵活性。
此举标志着具身智能（embodined intelligence）在公共安全领域的实战化进程加速。随着相关技术的成熟，此类机器人将成为执法机构应对极端情况、降低人员伤亡风险的关键装备，推动警用自动化装备进入大规模应用阶段。
**人形机器人迈向人机协作新高度：Oregon Robotics 发布具备高安全性协同能力的最新型号**
Oregon Robotics 近期发布的新一代人形机器人（humanoid）在安全交互与复杂环境适应性上取得重大突破，能够直接在人类工作环境中协同作业。
该机器人在核心架构上采用了端到端（end-to-end）的控制逻辑，并融合了先进的视觉-语言-动作模型（VLA）。通过强化学习（reinforcement learning）与模仿学习（imitation learning）的结合，机器人实现了极其灵巧（dexterous）的抓取（grasping）与精细操作（manipulation）。在运动控制（locomotion）方面，系统能够实时感知周围环境并做出避障反应，确保在与人类共存空间时具备极高的安全性。
这一突破标志着具身智能（embodined intelligence）从实验室走向工业实战。该机器人的高可靠性不仅提升了生产线的灵活性，更预示着人形机器人将大规模进入物流、制造等需要人机协作的复杂场景，成为未来工厂的核心生产力。
Bench2Dex 推出一个涵盖 12 种不同形态灵巧手（dexterous hands）的视觉-触觉双臂操作仿真基准测试。该平台通过统一的模拟触觉接口，将复杂的接触几何转化为一致的图像类观测数据，并包含 26 项涉及工具使用和多阶段操作的任务，以及约 1300 条人类远程操作演示。Bench2Dex 提供同步的视觉、触觉、本体感觉及物体状态等全维度数据。这为具身智能（embodied intelligence）领域提供了一个跨硬件架构的通用算法验证平台，旨在解决当前触觉硬件不统一导致的模型泛化难题。
SEA-Nav 框架通过引入可微控制屏障函数（CBF）和自适应碰撞状态初始化机制，显著提升了四足机器人在复杂障碍环境中的导航安全性与灵活性。该算法在单张 RTX 4090 显卡上仅需约一小时即可完成训练，并能实现零样本迁移至真实世界的杂乱场景。通过将安全约束嵌入强化学习流程，SEA-Nav 解决了传统模型在复杂场景下过于保守或动作不可行的痛点。这为具身智能中的运动控制提供了高效路径，降低了高难度环境下的算法训练成本与实机部署门槛。
中国人形机器人（humanoid）在短短两年内价格骤降72%，标志着该领域正式进入大规模量产阶段。随着供应链优化与技术突破，国产机器人的成本大幅下降，正从实验室原型向工业级应用转型。这一趋势意味着具身智能（embodined intelligence）正加速跨越成本门槛，推动人形机器人从高昂的定制化产品转向更具普适性的通用生产力工具，加速推动自动化制造与服务领域的深度变革。
人形机器人领域面临极高的技术挑战，核心难点在于实现灵巧（dexterous）的抓取与操作。目前研究正从传统的基于规则的控制转向融合视觉-语言-动作模型（VLA）与强化学习（reinforcement learning）的端到端架构。通过引入模仿学习和sim-to-real技术，机器人能够跨越复杂的物理约束，在非结构化环境中完成精细任务。这标志着具身智能正从简单的移动逻辑转向高维度的感知与动作协同，将推动人形机器人在工业组装、家政服务等复杂场景中的实用化落地。
AEON公司正利用Humanoid Gym平台训练其人形机器人执行工业任务，旨在为即将到来的1,000台机器人部署做准备。该系统通过模拟环境强化机器人的抓取与操作能力，旨在解决复杂工业场景下的自动化难题。这一举措标志着具身智能从实验室走向大规模工业化应用，通过标准化训练平台加速人形机器人在工厂端的落地，为实现大规模集群协作提供技术路径。
Sequoia China（红杉中国）于2019年投资Unitree（宇树科技），旨在布局具身智能领域的底层硬件与核心算法。Unitree通过自研高性能电机、减速器及基于强化学习的运动控制技术，实现了从四足机器人到人形机器人的全产品线覆盖。其技术的突破点在于将复杂的locomotion（运动控制）与manipulation（操作）整合至单体机器人中。这标志着具身智能正从单一功能的AGV/AMR向具备通用能力的复杂任务执行者转变，推动工业自动化从预设路径走向基于感知决策的自主作业。
Unitree（宇树科技）遭遇高达300亿美元的市值缩水，引发市场对人形机器人企业IPO进程的审慎预期。作为国内领先的具身智能硬件厂商，Unitree在研发中融合了强化学习与端到端控制技术，旨在提升机器人的运动控制与复杂操作能力。此次估值大幅波动反映出资本市场对高度依赖基础模型、且面临高昂研发成本的机器人初创企业仍持谨慎态度。这要求人形机器人企业在追求具身智能突破的同时，必须通过更清晰的商业路径和技术落地指标来建立投资信心。
Dreame（追觅）与Unitree（宇树科技）正通过融合大模型技术加速具身智能（Embodied Intelligence）的商业化落地。这两家企业分别在消费级机器人和高性能四足/双足（Bipedal）机器人领域取得突破，其中Unitree推出的H1人形机器人已具备复杂的运动控制与操作能力。通过引入视觉-语言-动作（VLA）模型和端到端（End-to-end）学习框架，这些公司正试图打破传统AGV或单纯机械臂的局限。这标志着中国机器人企业正从单一硬件制造转向以基础模型驱动的通用智能，推动人形机器人从实验室走向大规模工业应用与消费场景。
研究团队提出Imitation-to-Interaction框架，通过强化学习让人形机器人（humanoid）掌握羽毛球运动中的挑球与放网等复杂技能。该技术融合了模仿学习建立的运动先验与流形扩展策略，成功实现了从模拟环境到现实世界（sim-to-real）的零样本迁移。不同于单纯的动作模仿，该方法解决了高动态场景下精准打击与物理规律适配的难题。这标志着具身智能在处理高度动态、强调爆发力协同的复杂运动控制时，能够跨越从“视觉模拟”到“功能性操作”的技术鸿沟。
SurfSLAM 框架通过结合模拟数据训练与自监督微调，攻克了水下环境因光线衰减和纹理缺失导致的双目深度估计难题。该系统融合了双目相机、IMU、气压计及多普勒速度测程（DVL）等多源传感器，实现了实时 SLAM 算法。研究团队还发布了一个包含超过 24,000 对立体图像的沉船调查数据集，并提供高精度摄影测量模型。这一进展为水下机器人提供了更可靠的定位与三维重建能力，显著提升了复杂水下环境中的具身智能感知水平。
研究团队推出 Multi-Domain Motion Embedding (MDME) 框架，通过小波编码器与概率嵌入并行技术，统一处理结构化和非结构化特征。该模型支持在无需重定向的情况下实现真实时模仿，并在人形机器人（humanoid）与四足机器人平台上成功复现长程轨迹。相比现有方法，MDME 在未知动作的泛化能力及运动再现精度上表现更优。这一进展为具身智能提供了一种可扩展的底层架构，能够让机器人在无需针对特定动作进行在线调优的情况下，实现更具表现力的实时动态模仿。
JEPLO框架通过引入基于LiDAR（激光雷达）的单阶段学习框架，实现了无需显式建图的足式机器人感知运动。该技术采用PE-JEPA世界模型从原始LiDAR扫描中提取特征，并结合CJTS流水线在仿真环境中通过强化学习训练运动策略。实验证明，JEPLO能支持机器人在包含长楼梯、高箱体等复杂地形中的全向穿越，且在遮挡、稀疏和噪声等感知受损场景下比现有框架更具鲁棒性。这一突破降低了足式机器人对高性能计算资源的依赖，为低功耗硬件实现复杂的具身智能（embodied intelligence）提供了可落地的技术路径。
LieSpline-DP通过引入李群B样条（Lie-group B-spline）技术，解决了扩散策略（Diffusion Policy, DP）在机器人操作中轨迹不平滑的痛点。该方法直接在SE(3)空间生成端到端路径，确保了跨动作块的C2连续性。在真实机器人实验中，针对液体倾倒和桶钩等复杂任务，LieSpline-DP的成功率分别达到100%和30%，远超基准模型（DP）对应的10%和30%。这一突破为具身智能在处理流体、柔性物体等高动态场景时提供了更稳定的运动控制方案。
研究者提出一种基于约束引导的强化学习（CG-RL）框架，旨在解决复杂接触环境下机器人插入任务中的变阻抗控制难题。该方法通过将力限制与反馈耦合到策略中，使模型能自动输出残差运动、插入速率及请求增益。实验显示，在模拟倾斜插入任务中，CG-RL的成功率达到85.8%±7.7%，显著高于仅使用固定增益基准的50.1%。这一技术突破解决了具身智能在多变工况下依赖人工调参的痛点，为工业机器人处理高精度、强接触的装配任务提供了更具鲁棒性的自动化控制方案。
一项关于受控扩散（Controlled Diffusion）与遍历控制（Ergodic Control）在机器人学习中应用的综述与教程，揭示了两者在处理复杂分布推理和轨迹演变方面的理论交汇。该研究指出，通过受控扩散诱导的遍历行为能强制执行统计特性以确保学习最优性，并支持基于空间特征而非时间特征的行为规范。这为具身智能提供了一种超越单纯模仿学习的路径：它允许机器人在不确定信息景观中进行非近视搜索，从而在复杂环境下的抓取、操作和运动控制中实现更稳健的决策逻辑。
研究团队通过精细化执行器建模与自适应指令调度（ACS），突破了四足机器人高动态运动中的模拟到现实（sim-to-real）鸿沟。在36.5 kg的BlackPanther2 (BP2) 机器人上，该框架实现了高达13.2 m/s的跑步速度，刷新了四足机器人运动领域的世界纪录。通过显式建模高速电压耦合和磁饱和等非线性因素，该技术有效防止了策略对非物理特征的过度利用。这为具身智能领域提供了一种更精确的动力学模拟路径，能够显著提升高性能机器人在极端动态环境下的稳定性与可靠性。
Schaeffler（舍弗勒）宣布将于2027年开始量产用于人形机器人（humanoid）的成形谐波减速器。该公司计划将深耕多年的汽车制造技术应用于机器人传动系统，旨在解决复杂运动控制中的高精度需求。通过将成熟的工业级制造工艺迁移至具身智能领域，Schaeffler有望降低高性能硬件的生产门槛。这标志着传统汽车零部件巨头正加速切入人形机器人供应链，推动核心零部件从实验原型向大规模工业化量产跨越。