具身智能系统概论——案例详解

发布时间：2026/10/31 6:41:05

特斯拉Optimus以“AI定义硬件”为核心，采用纯视觉感知、复用FSD芯片与汽车级执行器，通过端到端神经网络实现拟人化动作，展现极强可量产性。对比波士顿动力Spot的高成本感知优先架构，宇树科技Go2以电驱QDD关节与强化学习实现低成本高机动性，推动四足机器人普及。家庭服务机器人则聚焦安全、交互与3D语义避障，融合多模态感知与车队学习，成为具身智能落地“最后一公里”的关键路径。三类机器人代表了从工业到消费的不同进化方向。

第10章：案例详解

10.1 人形机器人 (Humanoid)：特斯拉 Optimus 架构复盘

Tesla Optimus（擎天柱）不仅仅是一个机器人产品，它是马斯克“第一性原理”在具身智能领域的极致体现。与波士顿动力（Boston Dynamics）追求极致液压动力学不同，Optimus 代表了**“AI 定义硬件”**的新流派。

其核心设计哲学可以概括为：极简感知、极致端到端、车机协同。

1. 感知系统：纯视觉 (Vision Only) 的孤注一掷

在其他机器人还在堆砌激光雷达（LiDAR）和高精度 GPS 时，Optimus 继承了 Tesla 自动驾驶（FSD）的衣钵，选择了纯视觉路线。

硬件配置：
- 头部：3 颗摄像头（鱼眼 + 广角）。
- 无 LiDAR：马斯克认为人类只靠眼睛就能走路，机器人也应该如此。激光雷达昂贵、耗电且且缺乏语义信息。
Occupancy Network (占用网络) 的迁移：
- Optimus 直接复用了 FSD 的算法栈。它将摄像头拍摄的 2D 图像实时转换为 3D 体素空间（Voxel Space）。
- 价值：这让 Optimus 具备了极强的通用避障能力。它不需要高精地图，就能在一个从未去过的杂乱办公室里，识别出哪里是地板，哪里是不可跨越的桌子。

2. 大脑与神经：FSD 芯片与 CAN 总线的复用

算力核心 (The Brain)：
- Optimus 的胸腔里塞了一块Tesla FSD 电脑。这块板子原本是装在 Model 3 车里的。
- SoC:包含两颗自研的 FSD 芯片，擅长处理大规模神经网络推理（NPU 算力惊人），能效比远超通用 GPU。
通信架构 (The Nerves)：
- 并没有采用昂贵的 EtherCAT，而是使用了汽车工业标准的CAN FD和GMSL。
- 无线化：在手部和末端，Optimus 大量使用了 Wi-Fi 和蓝牙连接调试设备，甚至探索了私有的无线传输协议以减少手腕线束。

3. 执行器：六种电机打天下 (The Big Six)

这是 Optimus 硬件设计最精彩的部分。为了量产，Tesla 极度追求零部件复用。

旋转关节 (Rotary Actuators)：3 种型号。
- 用于肩部、手腕、腰部。
- 结构：无框力矩电机 + 谐波减速器 + 双编码器 + 力矩传感器。
线性关节 (Linear Actuators)：3 种型号。
- 用于膝盖、肘部、脚踝。
- 结构：无框电机 +行星滚柱丝杠 (Planetary Roller Screw)。
- 特点：Tesla 没有购买现成的推杆，而是自研了倒置式滚柱丝杠，将电机包裹在丝杠外面，极大地压缩了体积。这种设计让 Optimus 的大腿看起来非常修长，没有突出的电机包。

4. 控制算法：端到端神经网络 (End-to-End Neural Networks)

Optimus Gen 2 的发布视频震惊了业界，因为它的动作极其流畅、拟人，完全不像传统机器人那样机械僵硬。秘密在于端到端学习。

VR 遥操作数据采集 (VR Teleoperation)：
- Tesla 雇佣了数十名操作员，戴着 VR 眼镜，穿着动捕服（Motion Capture Suit），每天在模拟场景中搬箱子、叠衣服。
- 这些**“人类示教数据”**是训练 Optimus 的金矿。
VLA 模型的训练：
- 输入：摄像头视频流 + 关节状态。
- 输出：下一时刻的关节目标位置。
- 黑盒策略：中间没有显式的“检测物体->规划路径->逆运动学解算”过程，而是一个巨大的 Transformer 网络直接输出了动作。
- 优势：机器人自动学会了人类的一些微动作（比如拿杯子前先调整一下手腕角度），这是传统编程很难写出来的。

5. 灵巧手：从线驱动到连杆

Gen 1 (Bumblebee)：采用了类似 Shadow Hand 的线驱动方案。虽然灵活，但不可靠，线容易断。
Gen 2 (Optimus)：全面转向连杆驱动。
- 11 个自由度（DoF），通过欠驱动机制实现更复杂的抓握。
- 指尖集成了高灵敏度的触觉传感器（可能是磁触觉或压阻阵列），能盲操二指捏鸡蛋。
- 这种设计牺牲了一点点灵活性，换来了工业级的耐用性，符合 Tesla “进工厂打螺丝”的目标。

小结：
Tesla Optimus 是**“车机协同”**的产物。

它借用了汽车的眼睛（摄像头）、大脑（FSD芯片）和电池技术（4680电芯）。
它借用了 AI 的灵魂（端到端神经网络）。
它用极简的硬件（6种电机）去承载极繁的软件。

这种架构虽然在初期可能不如波士顿动力那样运动能力爆表（不会后空翻），但它的可量产性 (Manufacturability)和可进化性 (Scalability)是无与伦比的。它是第一个真正按照“消费电子产品”逻辑设计的人形机器人。

10.2 机器狗 (Quadruped)：波士顿动力 vs. 宇树科技

四足机器人（机器狗）是目前落地最成熟的具身智能形态。它们拥有比轮式机器人更强的越野能力，又比人形机器人更稳定、更节能。

我们将通过对比行业鼻祖波士顿动力 (Boston Dynamics) Spot和销量冠军宇树科技 (Unitree) Go2/B2，来揭示两种架构哲学的碰撞。

1. 架构哲学：感知优先 vs. 运动优先

波士顿动力 Spot：为了“全知全能”而生
- 定位：工业巡检、军用侦察。售价高昂（~$70k）。
- 感知架构 (Perception-Heavy)：
  - Spot 身上布满了昂贵的传感器：环视立体相机、工业级激光雷达（选配）、高精度 RTK-GPS。
  - 它追求的是完美的地图构建。在走每一步之前，Spot 几乎都知道脚下 1cm 处有没有小石子。它的每一步都是经过深思熟虑的规划。
- 通信：极其依赖高带宽 Wi-Fi/5G 进行 3D 点云回传，供人类操作员远程决策。
宇树科技 Go2：为了“极致运动”而生
- 定位：消费娱乐、科研教育。售价亲民（~$1.5k）。
- 运动架构 (Locomotion-Heavy)：
  - 感知相对“粗糙”：单线激光雷达（4D LiDAR L1）+ 广角鱼眼。
  - 核心在于强悍的本体反射。它可能看不清脚下的小石子，但它的RL (强化学习)运动控制器非常鲁棒，踩到了石子打滑也能瞬间找回平衡。它不靠“看清”，靠“身法好”。

2. 关节执行器：液压的余晖 vs. 电驱的胜利

Spot 的进化：
- 早期的 BigDog 采用液压驱动，噪音巨大但力大无穷。
- Spot 全面转向了电驱，使用了定制的高性能无刷电机 + 行星减速器。这代表了四足机器人从实验室走向商业化的必经之路：静音、清洁、易维护。
宇树的创新：QDD (准直驱动)
- 宇树的关节模组是其核心护城河。采用大扭矩扁平电机 + 低减速比行星减速器 (1:6)。
- 爆发力：这种设计让电机几乎直连大腿，爆发力极强，能完成空翻、高速奔跑等动作。
- 柔顺性：具有天然的“后驱透明度”，脚底触地的冲击力能直接反馈给电机电流环，无需昂贵的力矩传感器就能实现力控。

3. 软件栈：闭源黑盒 vs. 开源生态

Spot：封闭的工业品
- 提供高层 API (SDK)，用户告诉它“去 A 点”，它自己规划怎么迈腿。
- 底层步态控制（WBC/MPC）是完全黑盒的，用户无法修改。这保证了稳定性，但限制了二次开发。
宇树：开放的科研平台
- 拥抱ROS 2和Sim2Real生态。
- 宇树开放了底层的电机控制接口，甚至提供了基于 Isaac Gym 的强化学习训练代码（Unitree RL Gym）。这使得全球的高校都在用宇树狗做算法验证，极大地加速了 RL 在四足领域的落地。

4. 特色技术解析：宇树的 4D LiDAR L1

在 Go2 上，宇树展示了一种极其巧妙的降本增效设计。

全向超广角：
- 传统的 3D 激光雷达很贵，且垂直视场角（FoV）很小，看不见脚底下。
- 宇树自研的 L1 雷达拥有360° × 90°的半球形视场，能同时看清天花板和脚边。
感知死角最小化：
- 对于机器狗来说，最近的 0.5 米是最危险的盲区。L1 雷达的极近盲区设计（低至 0.05m），让它能贴着墙根走，或者钻过极矮的洞穴。

5. 电池与续航策略

Spot (换电策略)：
- 电池包设计为手提箱式插拔。在电网巡检中，没电了直接换一块，继续干活。追求高可用性。
宇树 (侧跟随充电)：
- 开发了基于UWB/红外的自动回充桩。当电量低时，狗会自动趴在充电桩上。
- ISS (Intelligent Side Follow)：利用 UWB 无线定位技术，实现极其精准的“侧向跟随”。人跑步，狗在侧面陪跑，不挡路也不跟丢。

小结：

波士顿动力 Spot是四足机器人的“奔驰 S 级”：精密、昂贵、稳定，用最好的传感器做最稳的事。
宇树科技 Go2是四足机器人的“大疆无人机”：轻量、敏捷、便宜，用 AI 算法（RL）弥补硬件的不足，用 QDD 关节释放运动的天性。

这两条路线没有优劣之分，只有场景之别。前者走向了高危作业现场，后者走进了千家万户。

10.3 家庭服务机器人：移动底盘 + 机械臂 + 语音交互

如果说人形机器人是通用的终极梦想，四足机器人是户外的越野专家，那么移动操作机器人 (Mobile Manipulator)则是当下家庭服务场景的最优解。
它的形态通常是：“一个带轮子的底盘 + 一个可升降的躯干 + 一到两个机械臂 + 一个这就屏幕/头部”。代表产品包括Google Everyday Robot、Hello Robot Stretch以及各类养老护理机器人。

其核心设计哲学是：安全性第一、交互性至上、避障能力溢出。

1. 架构特点：为了狭窄与混乱而生

家庭环境远比工厂恶劣。地面散落着玩具，地毯边缘会卷起，桌椅随时会被挪动，还有不可预测的小孩和宠物。

移动底盘 (The Base)：紧凑与全向
- 差速轮 vs 全向轮：必须选用全向轮 (Mecanum)或差速+旋转机构。
- 理由：家庭走廊狭窄。机器人必须具备“零半径原地转向”甚至“横向平移”的能力，才能在餐桌和橱柜之间的缝隙里穿梭。
- 悬挂系统：必须有以应对地毯、门槛条的微小落差（2cm），防止咖啡洒出来。
机械臂 (The Arm)：安全柔顺
- 构型：通常采用串联 7 轴（冗余自由度）或升降柱 + SCARA结构。
- 轻量化：臂展不需要太长（覆盖桌面即可），负载不需要太大（1-2kg，拿得动水杯就行）。
- 碰撞检测：必须具备ASIL-D 级的碰撞急停。一旦碰到人，力矩传感器检测到阻力，机械臂立刻切换为“重力补偿模式”，变得软绵绵的。

2. 重交互 (Heavy Interaction)：多模态的情感连接

家庭机器人不仅是工具，更是家庭成员。交互体验决定了它是否会被退货。

语音交互 (VUI)：远场 + 语义
- 硬件：环形麦克风阵列+A2B/星闪总线。即使电视开着，也能利用波束成形听清主人的指令。
- VLA 加持：不再是死板的“打开窗帘”。它能听懂“我觉得有点闷”（隐含意图：开窗或开风扇）。
视觉交互：视线与手势
- 视线追踪 (Gaze Tracking)：当你盯着机器人看时，它会自动转头与你对视，表示“我在听”。
- 手势指引：“去把那个（手指向角落）垃圾袋扔了”。机器人利用 RGB-D 相机结合手势识别，锁定目标物体。
主动交互 (Proactive)：
- 结合Wi-Fi CSI 感知或毫米波雷达，如果检测到老人在沙发上睡着了（呼吸平稳），机器人会自动调暗灯光，调小音量。

3. 强避障 (Robust Obstacle Avoidance)：从 2D 到 3D

扫地机器人的“撞了再转”在服务机器人上是不可接受的（手里的热汤会泼）。

3D 语义避障：
- 传感器：标配ToF 深度相机或结构光（如 iPhone FaceID 同款技术）。
- 算法：实时构建Occupancy Grid Map (占用栅格地图)。
- 语义理解：
  - 遇到拖鞋：视为障碍物，绕行。
  - 遇到窗帘：视为“软障碍”，可以轻轻推开通过。
  - 遇到宠物粪便：不仅绕行，还要标记并在地图上画红圈（VLA 模型的常识推理）。
跌落检测 (Cliff Detection)：
- 对于复式家庭，楼梯口是致命的。除了底部的红外传感器，还需要头部相机预判前方的地形落差。

4. 抓取策略：针对生活用品的特化

家庭里的物体千奇百怪（软的抹布、滑的盘子、透明的玻璃杯）。

末端执行器：
- 通常不使用昂贵的五指灵巧手，而是二指平行夹爪 + 吸盘的组合。
- 吸盘：抓取光洁的盘子、手机、玻璃杯最稳。
- 夹爪：抓取毛绒玩具、衣物。
视觉伺服 (Visual Servoing)：
- 在手腕处安装Eye-in-Hand摄像头。
- 在抓取全过程中，摄像头一直盯着物体，实时微调机械臂的位置，补偿底盘的晃动误差。

5. 案例：Google Everyday Robot (RT-1/RT-2 的载体)

任务：在办公室厨房里收拾垃圾、擦桌子、摆椅子。
亮点：
- Fleet Learning (车队学习)：白天，100 台机器人在不同楼层干活，收集失败案例（比如没抓稳滑落了）。晚上，数据上传云端，训练更新的 VLA 模型。第二天，所有机器人同时学会了昨天某一台机器人领悟的技巧。
- 移动操作 (Mobile Manipulation)：它的底盘和手臂是联动的。为了够到桌子深处的瓶子，它会一边向前开底盘，一边伸长手臂，这种全身协调依赖于强大的WBC (全身控制)算法。

小结：
家庭服务机器人是具身智能技术的集大成者。