人类遥控机器人打格斗！“大脑”不好？技术成熟还要5年

全球首届人形机器人格斗竞技赛

作者／  IT时报记者  毛宇

编辑／  钱立富  孙妍

北京亦庄的马拉松赛事余温未散，人形机器人又站在了浙江杭州的擂台上，打起了格斗赛。

5月25日，“CMG世界机器人大赛·系列赛”机甲格斗擂台赛拉开帷幕，这是全球首个以人形机器人为参赛主体的格斗竞技赛事，展现了人形机器人在运动控制、平衡能力等方面取得的新突破。

但《IT时报》记者观察到，本次比赛仍以人操控手柄的遥控技术为主，比赛过程中除了考验算法外，还要看操控者的反应力。

“可以将遥控和非遥控理解成机器人小脑和大脑，遥控技术只要做好小脑，而非遥控就需要搞定大脑，涉及视觉识别、状态、定位以及参赛策略等诸多内容。”一位具身智能从业人士告诉《IT时报》记者，当前，遥控技术是让人的大脑去控制机器人的小脑，从而让人形机器人自如做动作。

多名业内人士向记者表示，在研发技术和时间成本的双重压力下，复杂场景下的非遥控技术或许还要等待5年以上。

“鲁棒性”实现耐久性及稳定性

比赛现场，气氛热烈非凡。四支来自不同领域的战队操控着宇树G1人形机器人登上擂台，展开激烈对抗。据介绍，“选手”宇树G1身高1.3米，体重35公斤，拥有29个自由度，有着较为完整的动作流畅度与灵活性。

比赛采用积分制，分3回合，每回合2分钟，击中对手的头部、躯干为有效击打，手部动作有效击打计1分，腿部动作有效击打计3分。比赛过程中，倒地一次扣5分，被击倒后8秒内无法起身则扣10分，本回合结束。

赛场上，机器人展示出了直拳、勾拳、侧踢、膝踢等多种格斗动作，伴随着金属碰撞的声响，拳拳到“铁”。最终，操作员陆鑫操控的AI策算师获得冠军、“格斗之星”称号。

“机器人格斗主要考验的就是其运控能力的鲁棒性。”上述从业人士表示，基于人工智能的运动控制算法，“鲁棒性”正成为衡量性能的核心指标之一，即机器人在环境扰动、参数波动或突发冲击下，能够精准处理多关节协同运动，实现毫秒级响应，维持既定性能、完成任务目标的能力。

在本场格斗赛中，鲁棒性强调在复杂背景和不稳定光照下，机器人仍能保持性能一致，侧重在存在多种干扰或模型参数未知情况下，输出具有稳定一致性。

倒地后能否在8秒内快速起身，是这场格斗赛事中至关重要的一项胜负评判标准，也是对人形机器人软硬件技术的一次抗压试验。第三回合中，粉色机器人被黑色机器人“重拳”锤倒在地，但未过3秒，黑色机器人被粉色机器人不小心绊倒，画面十分有趣。但黑色机器人迅速调整腿部位置后，于5秒内起身。在另一回合中，机器人被“重拳”击打后，身体摔出围绳，足部仍留在场内，但其很快找到平衡点，双腿支撑后迅速起身站立。

即便遇到状况百出，但机器人本体的“鲁棒性”使其保持稳定性，不会因为摔倒或击打在地出现故障，还能通过动态平衡算法在短短几秒内自主站立。

机器人机身材料的选择也对这场比赛至关重要。高工机器人产业研究所所长卢瀚宸告诉《IT时报》记者，当前机器人采用了低密度和轻量级的碳纤维骨架与铝合金材料，在减轻机器人重量的同时，也保障其结构强度。

从细节来看，髋、膝、肩等关节使用了高扭矩密度电机与精密减速器，支持爆发性动作，如勾拳、踢腿等；脊柱与仿生结构则利用了刚柔耦合设计以吸收冲击力，同时提升抗冲击能力；足底六维力传感器能实现毫米级压力检测，以维持动态调整步态避免滑倒。可谓，全身上下，无一“废料”。

“大脑”成熟尚需3至5年

这场比赛引发外界广泛关注，其中，手柄遥控机器人成为热议话题。《IT时报》记者发现，比赛现场，操作者站在场外对机器人进行手柄和语音的双重操控。

当下，遥控技术与非遥控技术之间存在明显区别。不久前，成都人形机器人创新中心发布了全国首个无需遥控的、自主完成跨空间人形机器人任务规划推理执行系统Raydiculous-1，标志着人形机器人在“大脑”技术上取得新突破。据悉，该系统在执行大空间任务时拥有长视野推理规划能力，同时具备自主学习、处理跨场景任务的特性。

但从行业整体来看，要实现复杂场景下（如动态格斗等）的完全自主控制，人形机器人的“大脑”开发面临诸多挑战，实时感知与决策算法的能力不足是当前非遥控技术面临的核心难点之一。

“遥控操作依靠操作员控制机器人的‘小脑’，让机器人作出相应的动作。操作员需要实时判断场上形势，并通过控制器将指令传递给机器人。”上述从业人士表示，“小脑”的控制尚好实现，但“大脑”即非遥控的实现则要复杂得多，这要求机器人具备实时环境感知、意图识别和动态决策能力，涉及视觉识别、状态估计、实时定位以及比赛策略制定等诸多方面。

“还要求机器人能够实时处理多模态传感器融合（如视觉、IMU、力传感器）的数据，在毫秒级时间内完成复杂环境建模和攻击路径预测，但目前的数据处理效率还难以满足这一要求。”卢瀚宸表示。

在硬件要求上，非遥控的自主控制须具备更高算力的边缘计算芯片和冗余传感器网络，这使得成本显著增加。例如，高精度传感器（如激光雷达、六维力传感器）、AI芯片等都是主要成本项。其中，AI芯片模块占控制系统成本大头，六维力传感器的高成本也阻碍其规模化应用。

动态平衡控制同样面临挑战，自主控制须协调全身关节力矩与地面反作用力，现有算法针对极端干扰（如被击打、地形突变）的鲁棒性不足，仍须依赖人工干预调整姿态。此外，数据驱动的学习也存在瓶颈，人类运动数据难以完整采集，强化学习需大量试错训练，导致自主决策模型泛化能力有限。

“未来3至5年，机器人有望实现独立行走、奔跑等基础非遥控技术。”卢瀚宸乐观预计，而复杂场景的完全自主控制需要等待更久时间才能成熟。

“我们可以将‘小脑’及其硬件类比成一辆智能汽车，加上‘大脑’就好比给车配置了智能驾驶功能，辅助驾驶保持定向巡航并不是难事，但带有高精地图的智能驾驶甚至无图驾驶则需要更高的算法和技术。”上述业内人士表示，“大脑”的研发、硬件和时间成本都明显高于“小脑”，很难计算出具体的成熟时限。

排版／  季嘉颖

图片／  央视频

来源／《IT时报》公众号vittimes