原文發(fā)表于《科技導(dǎo)報》2025 年第20 期 《 非結(jié)構(gòu)化環(huán)境下人形機器人行走規(guī)劃與控制 》

人形機器人因具有人體相似的形態(tài)與運動能力，被廣泛認(rèn)為是未來服務(wù)、救援與工業(yè)應(yīng)用的潛在核心裝備，但在非結(jié)構(gòu)化環(huán)境中實現(xiàn)穩(wěn)定可靠的行走仍具有顯著挑戰(zhàn)。《科技導(dǎo)報》邀請香港理工大學(xué)航空及民航工程學(xué)系曹屹峰、清華大學(xué)智能綠色車輛與交通全國重點實驗室曹東璞等撰文，文章綜述了近年來在人形機器人行走規(guī)劃與控制方面的研究進(jìn)展，系統(tǒng)梳理了典型方法的核心思想與實現(xiàn)框架，討論了提升環(huán)境適應(yīng)性與動態(tài)穩(wěn)定性的關(guān)鍵技術(shù)瓶頸，展望了未來在多模態(tài)感知融合、學(xué)習(xí)與控制協(xié)同優(yōu)化、全身運動技能學(xué)習(xí)及安全性保障等方面的發(fā)展趨勢，并對相關(guān)技術(shù)的標(biāo)準(zhǔn)化與大規(guī)模應(yīng)用提出了建議。

人形機器人作為最接近人類形態(tài)與運動方式的自主系統(tǒng)，一直被認(rèn)為是未來人工智能與機器人技術(shù)的重要方向。然而，要實現(xiàn)人形機器人在非結(jié)構(gòu)化環(huán)境下的穩(wěn)定行走依然面臨重大挑戰(zhàn)。人行機器人需要解決的問題具體可以分為：感知、定位、規(guī)劃與控制4個子任務(wù)（圖1）。

圖1 人行機器人行走的子任務(wù)拆解

總體而言，人形機器人行走的規(guī)劃與控制領(lǐng)域的研究大致經(jīng)歷了3個階段：

（1）早期階段。以簡化動力學(xué)為核心，關(guān)注基本的平衡保持與周期步態(tài)生成。

（2）發(fā)展階段。引入優(yōu)化與預(yù)測控制，逐步解決非平地行走、擾動恢復(fù)等問題。

（3）新興階段。借助深度學(xué)習(xí)與強化學(xué)習(xí)，推動感知、規(guī)劃與控制的融合，實現(xiàn)端到端或混合式框架。

我們的研究將圍繞規(guī)劃方法、控制方法以及將感知與規(guī)劃或感知與控制等不同模塊進(jìn)行深度結(jié)合的混合式及感知規(guī)劃與控制一體化的端到端算法3個方面，梳理近年來人形機器人在非結(jié)構(gòu)化環(huán)境下行走的研究進(jìn)展，并總結(jié)存在的瓶頸與未來的發(fā)展方向。

1 行走規(guī)劃算法研究進(jìn)展

在人形機器人研究中，行走規(guī)劃承擔(dān)著連接高層任務(wù)需求與底層控制執(zhí)行的橋梁作用。隨著研究的深入，行走規(guī)劃逐漸形成了自上而下的多層次框架：全局路徑規(guī)劃負(fù)責(zé)大范圍的導(dǎo)航?jīng)Q策，落足點與步態(tài)序列規(guī)劃確保與環(huán)境交互的可行性，而軌跡優(yōu)化則決定了具體的動態(tài)表現(xiàn)，這些規(guī)劃方法之間的關(guān)系如圖2所示。

圖2 非結(jié)構(gòu)化環(huán)境下人形機器人行走規(guī)劃方法的分類

1.1 全局及局部步態(tài)規(guī)劃

在人形機器人面臨的復(fù)雜環(huán)境中，首先需要確定一條從起點到目標(biāo)點的可行路徑。落足點規(guī)劃決定了機器人如何與環(huán)境發(fā)生接觸，是確保運動穩(wěn)定性與安全性的核心。

1）基于幾何求解的規(guī)劃方法。

早期研究多借鑒移動機器人領(lǐng)域的經(jīng)典方法，如基于柵格的A*算法，以及基于采樣的快速隨機樹（RRT）與其改進(jìn)型RRT*。早期研究采用幾何規(guī)則來選擇落足點，例如確保下一步落腳點位于支撐多邊形內(nèi)并滿足一定的步幅約束。這類方法簡單高效，但往往對環(huán)境復(fù)雜性仍然考慮不足。同時，這些方法能夠在二維或三維地圖上高效搜索路徑，適合用于靜態(tài)環(huán)境中的全局導(dǎo)航。

2）考慮動力學(xué)約束的規(guī)劃方法。

單純的幾何路徑并不能保證人形機器人在實際執(zhí)行時的可行性。其原因在于：路徑可能要求機器人采取過于極端的步態(tài)，超出動力學(xué)極限。近年來，部分研究嘗試將動力學(xué)約束直接引入路徑搜索過程，在A*或RRT的啟發(fā)式函數(shù)中加入“步態(tài)可行性”或“能量消耗”來改進(jìn)這類方法。這類方法進(jìn)一步結(jié)合動力學(xué)約束與能耗評估，實現(xiàn)了更接近實際可執(zhí)行的落足點序列。同時這類方法在路徑生成階段就考慮了機器人身體特性，從而減少了后續(xù)落足點規(guī)劃的沖突。

3）分層式步態(tài)規(guī)劃。

由于環(huán)境往往存在不確定性和動態(tài)變化，離線生成的路徑無法長期有效。為解決這一問題，研究人員提出了分層路徑規(guī)劃的思路：全局層負(fù)責(zé)粗粒度的路徑生成，而局部層在執(zhí)行過程中進(jìn)行實時修正。這種方式在保持全局目標(biāo)一致性的同時，提升了對未知環(huán)境的適應(yīng)性。分層式結(jié)構(gòu)保證了規(guī)劃的實時性及當(dāng)前規(guī)劃的可行性。

4）學(xué)習(xí)輔助的步態(tài)規(guī)劃。

近年來，深度學(xué)習(xí)被引入落足點規(guī)劃。這類方法的優(yōu)勢在于能夠?qū)W習(xí)復(fù)雜地形特征，但也存在泛化能力和訓(xùn)練樣本依賴的問題。

總體而言，落足點規(guī)劃已從“基于幾何的快速方案”發(fā)展到“優(yōu)化與學(xué)習(xí)結(jié)合的高精度方案”。在保證穩(wěn)定性的同時，更加強調(diào)環(huán)境適應(yīng)性與實時性。

1.2 運動軌跡規(guī)劃

落足點序列確定后，機器人需要生成符合動力學(xué)約束的運動軌跡，為下層控制器提供參考軌跡，通常生成的參考軌跡為質(zhì)心參考軌跡及足部軌跡。生成的軌跡需要滿足實時性、動力學(xué)約束等條件。

1）基于簡化模型的軌跡優(yōu)化。

早期的軌跡優(yōu)化方法致力于使用簡化動力學(xué)模型生成特定參數(shù)的參考軌跡，最常見的框架是基于零力矩點（ZMP）與線性倒立擺模型（LIPM）的軌跡生成方法，如通過控制質(zhì)心在支撐多邊形內(nèi)的運動軌跡，機器人能夠保持穩(wěn)定的周期步態(tài)。一些研究旨在選取更有效參數(shù)的軌跡，或使用更精確的簡化模型。

2）軌跡修正與在線調(diào)整。

部分研究在軌跡執(zhí)行過程中動態(tài)修正，例如實時調(diào)整擺動腿的軌跡，以避免與障礙物碰撞；或通過時間重參數(shù)化改變步態(tài)節(jié)奏，從而提升對突發(fā)擾動的容忍度。相比于對自身狀態(tài)以及外部擾動進(jìn)行建模，Nguyen等使用狀態(tài)庫來應(yīng)對外部不確定環(huán)境，采用具有快速檢索和插值的周期性步態(tài)庫，使規(guī)劃者能夠動態(tài)響應(yīng)不可預(yù)測的步進(jìn)表面。這類方法通過對軌跡的動態(tài)調(diào)整，提升了與環(huán)境的動態(tài)交互能力與行走穩(wěn)定性。

3）數(shù)據(jù)驅(qū)動的軌跡規(guī)劃。

在復(fù)雜環(huán)境下，單純的模型可能無法準(zhǔn)確描述系統(tǒng)動力學(xué)。為此，研究者利用數(shù)據(jù)驅(qū)動方法進(jìn)行補償。眾多研究者利用數(shù)據(jù)驅(qū)動的方法來實時修正外部擾動下的質(zhì)心或擺腿軌跡。除了應(yīng)對外部干擾之外，也有研究者使用數(shù)據(jù)驅(qū)動的方法來應(yīng)對軌跡規(guī)劃時的地形不確定性。

軌跡優(yōu)化不僅保證了運動的平穩(wěn)與穩(wěn)定，還為機器人提供了面對環(huán)境不確定性時的快速恢復(fù)能力。未來的研究可能會更多關(guān)注如何在保持實時性的前提下，結(jié)合高維感知信息生成更加智能的軌跡。

1.3 小結(jié)

行走規(guī)劃方法正從傳統(tǒng)的幾何搜索逐步發(fā)展為兼顧動力學(xué)約束與環(huán)境適應(yīng)性的多層次框架。全局路徑規(guī)劃為機器人提供了整體方向，落足點序列保證了局部可行性，而軌跡優(yōu)化則在執(zhí)行層面實現(xiàn)了動態(tài)穩(wěn)定性。隨著深度學(xué)習(xí)和優(yōu)化技術(shù)的結(jié)合，未來的人形機器人有望在未知、復(fù)雜甚至動態(tài)環(huán)境中實現(xiàn)更自然、更可靠的行走能力。

2 行走控制算法研究進(jìn)展

行走規(guī)劃與行走控制一般為上下層的關(guān)系，根據(jù)行走規(guī)劃提供的參考運動軌跡，控制方法決定了具體動作實施。隨著技術(shù)發(fā)展，控制方法經(jīng)歷了從基于簡化模型的平衡控制，到優(yōu)化驅(qū)動的全身控制（WBC），再到學(xué)習(xí)驅(qū)動的自適應(yīng)與混合控制的演進(jìn)（圖3）。

圖3 非結(jié)構(gòu)化環(huán)境下人形機器人行走控制方法的分類

2.1 基于簡化模型的行走控制

最經(jīng)典的行走控制方法選擇將機器人的多剛體動力學(xué)模型簡化為一個簡化模型如線性倒立擺模型（LIPM）對機器人進(jìn)行控制。然而，LIPM假設(shè)支撐腳與地面始終完全接觸，忽略了踝關(guān)節(jié)與上身運動的影響。為此，研究人員引入了多種擴展。例如，基于Pratt等提出的捕獲點（CP）理論，對現(xiàn)有的基于簡化模型的控制方法進(jìn)行拓展。

除去適應(yīng)外力擾動，這一方法也被用于適應(yīng)復(fù)雜地形。除去引入捕獲點這一概念來增強行走控制的穩(wěn)定性，還有一部分研究人員嘗試對簡化模型進(jìn)行拓展，以提升其在非結(jié)構(gòu)化環(huán)境下的適應(yīng)能力。相比于對簡化模型進(jìn)行拓展，也有研究人員選擇對簡化模型進(jìn)行參數(shù)優(yōu)化。與引入捕獲點概念類似，也有研究者將質(zhì)心動量納入控制變量，以更真實地描述機器人整體動力學(xué)。

簡化模型方法在計算復(fù)雜度與控制穩(wěn)定性之間取得了一定平衡，使人形機器人能夠完成較為復(fù)雜的基本行走任務(wù)，并在早期研究中發(fā)揮了重要作用。然而，這類方法也存在顯著局限：

• 首先，它們通常依賴于低維近似模型，難以全面刻畫高自由度人形機器人全身的動力學(xué)耦合關(guān)系；

• 其次，當(dāng)機器人處于強擾動或非結(jié)構(gòu)化環(huán)境時，基于簡化模型的假設(shè)往往失效，導(dǎo)致系統(tǒng)穩(wěn)定性受限；

• 最后，簡化模型控制無法有效利用機器人冗余的關(guān)節(jié)自由度，從而難以實現(xiàn)行走與操作等多任務(wù)的協(xié)同執(zhí)行。

2.2 全身運動控制

全身控制的核心思想是在完整動力學(xué)模型的框架下，同時協(xié)調(diào)多個任務(wù)目標(biāo)，例如維持質(zhì)心平衡、實現(xiàn)步態(tài)跟蹤以及完成上肢操作等。與依賴簡化模型的方法不同，WBC強調(diào)通過引入機器人全身的動力學(xué)約束，以優(yōu)化求解的方式在不同任務(wù)之間實時分配控制輸入，從而在確保物理可行性的同時最大化任務(wù)完成度。

現(xiàn)代WBC通常將控制問題表述為一個約束優(yōu)化問題，其中任務(wù)目標(biāo)包括保持質(zhì)心穩(wěn)定、足部軌跡跟蹤以及上肢姿態(tài)控制等；約束條件涵蓋關(guān)節(jié)力矩范圍、接觸力摩擦錐以及完整的動力學(xué)方程；而在具體的數(shù)值求解方面，二次規(guī)劃（QP）成為最常見的工具。該方法通過在實時優(yōu)化過程中平衡不同任務(wù)的優(yōu)先級，使人形機器人能夠在復(fù)雜環(huán)境下展現(xiàn)出多任務(wù)協(xié)同與動態(tài)穩(wěn)定性的能力。

在全身控制中，任務(wù)間往往存在沖突。例如，保持平衡與完成操作任務(wù)可能無法同時滿足。為此，研究者提出了分層全身控制（HWBC），將不同控制目標(biāo)進(jìn)行分層式疊加，通過優(yōu)先級機制保證關(guān)鍵任務(wù)優(yōu)先執(zhí)行。除了優(yōu)化踝關(guān)節(jié)驅(qū)動扭矩，也有研究嘗試優(yōu)化接觸力軌跡或質(zhì)心軌跡。

盡管WBC在實現(xiàn)多任務(wù)協(xié)調(diào)和動力學(xué)一致性方面展現(xiàn)出顯著優(yōu)勢，但在實際應(yīng)用中仍面臨諸多挑戰(zhàn)。

• 首先，WBC需要在實時條件下求解高維的優(yōu)化問題，這對計算資源提出了極高的要求，限制了其在嵌入式平臺上的部署。

• 其次，控制框架通常依賴精確的動力學(xué)模型，而在真實機器人中，不可避免地存在模型與實際執(zhí)行器之間的偏差，這會導(dǎo)致控制性能下降。

• 最后，在高度動態(tài)的非結(jié)構(gòu)化環(huán)境中，如何在保持穩(wěn)定性的同時兼顧復(fù)雜任務(wù)執(zhí)行，仍是一個難以完全解決的問題。

2.3 強化學(xué)習(xí)控制

近年來，深度強化學(xué)習(xí)（DRL）在機器人控制領(lǐng)域展現(xiàn)出巨大的發(fā)展?jié)摿?。DRL借助深度神經(jīng)網(wǎng)絡(luò)的強大表示能力，通過與環(huán)境的反復(fù)交互直接學(xué)習(xí)狀態(tài)與動作的映射關(guān)系，從而獲得控制策略。更為重要的是，DRL在面對復(fù)雜、非線性和高度不確定的動力學(xué)系統(tǒng)時表現(xiàn)出較強的適應(yīng)性與魯棒性。因此，DRL的引入不僅為人形機器人突破傳統(tǒng)控制框架的局限提供了新的思路，也為其在非結(jié)構(gòu)化環(huán)境中的穩(wěn)定行走與任務(wù)執(zhí)行開辟了新的研究方向。

除去利用強化學(xué)習(xí)學(xué)習(xí)簡單的行走控制策略，也有研究者嘗試?yán)脧娀瘜W(xué)習(xí)學(xué)習(xí)特殊或者多樣化的行走技能。除了使用純粹的深度強化學(xué)習(xí)構(gòu)建控制策略，也有研究者探索嘗試使用學(xué)習(xí)的方法增強優(yōu)化控制算法，即將使用不同方法的模塊進(jìn)行結(jié)合的混合式框架。

這類方法也面臨諸多限制：

• 其一，訓(xùn)練往往需要大量樣本，尤其在真實機器人上收集數(shù)據(jù)成本極高；

• 其二，仿真與現(xiàn)實之間存在不可忽視的差距，導(dǎo)致策略在實際部署時泛化能力不足；

• 其三，學(xué)習(xí)策略普遍缺乏可解釋性和嚴(yán)格的安全保證，難以直接應(yīng)用于高風(fēng)險任務(wù)場景。

2.4 小結(jié)

總體而言，人形機器人控制方法的發(fā)展大致經(jīng)歷了3個重要階段。

• 首先，基于簡化模型的方法，如線性倒立擺模型與零力矩點控制，為實現(xiàn)基本的動態(tài)平衡和周期步態(tài)生成奠定了理論與技術(shù)基礎(chǔ)。

• 其次，隨著優(yōu)化技術(shù)與計算能力的提升，全身控制逐漸成為主流。

然而，全身控制的實時性要求與對模型精度的依賴仍然限制了其在非結(jié)構(gòu)化環(huán)境中的魯棒性。近年來，學(xué)習(xí)驅(qū)動與混合控制方法開始興起，深度強化學(xué)習(xí)憑借其強大的自適應(yīng)能力，為機器人在未知環(huán)境中的穩(wěn)健運動提供了新的可能。與此同時，模型驅(qū)動與學(xué)習(xí)驅(qū)動的結(jié)合成為新的研究方向，既能利用模型方法的可解釋性與安全性，又能發(fā)揮學(xué)習(xí)方法在復(fù)雜場景下的靈活性與泛化能力。

3 協(xié)同式架構(gòu)

近年來，相比于單獨設(shè)計，調(diào)整規(guī)劃或控制等模塊，有研究者開始嘗試設(shè)計整體式框架，通過將不同模塊緊密融合實現(xiàn)整體優(yōu)化。趨勢主要體現(xiàn)在3方面：

• 其一，將感知、規(guī)劃與控制整合到統(tǒng)一的框架中；

• 其二，引入強化學(xué)習(xí)控制甚至感知規(guī)劃或感知規(guī)劃控制一體化的端到端策略，突破傳統(tǒng)模塊化架構(gòu)的局限；

• 其三，強調(diào)硬件平臺與算法的協(xié)同設(shè)計。

3.1 感知—控制協(xié)同架構(gòu)的發(fā)展

傳統(tǒng)的人形機器人行走系統(tǒng)大多采用分層架構(gòu)：感知模塊生成環(huán)境模型，規(guī)劃模塊輸出路徑與步態(tài)，控制模塊再跟蹤執(zhí)行。然而這種分離式架構(gòu)存在信息傳遞延遲、誤差累積以及模塊間不一致的問題。為解決這一瓶頸，研究者提出一體化框架，將感知、規(guī)劃與控制等模塊之間進(jìn)行一定有機結(jié)合。

3.2 感知—規(guī)劃—控制協(xié)同架構(gòu)的發(fā)展

除了將部分模塊進(jìn)行緊密結(jié)合，近年也有研究者嘗試將感知、規(guī)劃與控制結(jié)合作為一體式的控制框架，使僅通過單一模塊，讓機器人可以在環(huán)境中自主到達(dá)指定的目標(biāo)地點，形成真正的“端到端”架構(gòu)。

3.3 小結(jié)

端到端方法在機器人行走中的應(yīng)用仍處于不斷演進(jìn)階段，其發(fā)展趨勢主要體現(xiàn)在3個方面。

• 首先，模型與學(xué)習(xí)的深度融合將成為主流方向：研究者嘗試在端到端框架中引入可微分物理約束或優(yōu)化層，使得控制器既具備端到端學(xué)習(xí)的靈活性，又保持物理一致性與穩(wěn)定性。

• 其次，多模態(tài)感知的整合將進(jìn)一步提升端到端架構(gòu)的適應(yīng)性，視覺、力覺和慣性傳感等信息的融合有助于機器人在更加復(fù)雜和動態(tài)的環(huán)境中實現(xiàn)魯棒控制。

• 最后，仿真到現(xiàn)實的遷移仍是亟需解決的關(guān)鍵問題，通過域自適應(yīng)、對抗訓(xùn)練和真實機器人上的小樣本微調(diào)，有望縮小仿真與現(xiàn)實之間的差距。

4 未來展望

未來的發(fā)展趨勢將不再局限于單一算法的改進(jìn)，而是更加強調(diào)跨學(xué)科的深度融合，尤其是與人工智能、硬件平臺和標(biāo)準(zhǔn)體系的結(jié)合，以下4個方向可能成為未來研究的重點。

4.1 規(guī)劃控制與大語言模型及視覺語言模型的深度結(jié)合

隨著大語言模型（LLM）和視覺語言模型（VLM）的快速演進(jìn)，人形機器人在任務(wù)理解與語義感知方面將迎來新突破。LLM與VLM的引入有望讓機器人具備更接近人類的語義推理與環(huán)境理解能力。這種能力不僅能夠提升機器人在復(fù)雜任務(wù)場景中的適應(yīng)性，還能夠顯著改善人機交互體驗，使非專業(yè)用戶也能通過自然語言與機器人進(jìn)行高效溝通。未來，如何將基于語義理解的規(guī)劃和控制與傳統(tǒng)動力學(xué)約束有機結(jié)合，將成為實現(xiàn)智能化行走控制的重要研究方向。

4.2 硬件—算法的協(xié)同化發(fā)展

人形機器人在實際應(yīng)用中往往受到算力、能耗和執(zhí)行器性能的制約，因此，未來的研究必須更加注重硬件與算法的協(xié)同優(yōu)化。

• 一方面，執(zhí)行器與傳感器技術(shù)的進(jìn)步將為復(fù)雜算法的部署提供堅實硬件基礎(chǔ)。

• 另一方面，算法設(shè)計也需要更加貼合硬件特性，從而延長機器人的續(xù)航并提升整體能效。

此外，硬件與算法的協(xié)同發(fā)展不僅體現(xiàn)在計算和能耗的平衡，還包括機器人結(jié)構(gòu)布局與控制策略的共同優(yōu)化。這種雙向促進(jìn)的模式有望成為未來人形機器人設(shè)計與控制的核心理念。

4.3 機器人機構(gòu)與傳感器的發(fā)展

除了算法與硬件協(xié)同，機器人本體結(jié)構(gòu)與傳感系統(tǒng)的革新同樣是提升行走能力的關(guān)鍵。未來，輕量化與高強度材料的應(yīng)用將顯著降低機器人能耗并提升耐久性，而柔性關(guān)節(jié)與順應(yīng)性機構(gòu)的引入則有助于機器人在非結(jié)構(gòu)化地形中更好地吸收沖擊、維持穩(wěn)定。這些機構(gòu)與傳感器的持續(xù)演進(jìn)將不僅提升機器人在單一任務(wù)中的表現(xiàn)，還將拓寬其在多任務(wù)與復(fù)雜環(huán)境下的適用性。

4.4 通用數(shù)據(jù)集與評價體系的發(fā)展

未來，建立開放且標(biāo)準(zhǔn)化的數(shù)據(jù)集與評價體系顯得尤為重要。這類數(shù)據(jù)集應(yīng)覆蓋多樣化的行走場景，包括不規(guī)則地形、外部擾動、障礙物分布以及多任務(wù)操作需求；而評價體系則應(yīng)在穩(wěn)定性、能效、任務(wù)完成率和安全性等多維度上進(jìn)行全面考量。統(tǒng)一的數(shù)據(jù)與評測標(biāo)準(zhǔn)不僅能夠促進(jìn)學(xué)術(shù)界在算法迭代中的公平比較，也有助于推動工業(yè)界快速采納先進(jìn)方法，實現(xiàn)從實驗室到應(yīng)用的平滑過渡。

5 結(jié)論

人形機器人行走研究在過去幾十年取得了顯著進(jìn)展，從早期的簡化模型控制到近年的全身優(yōu)化與學(xué)習(xí)驅(qū)動方法，技術(shù)體系逐漸形成了較為完整的框架。以“非結(jié)構(gòu)化環(huán)境下的人形機器人行走規(guī)劃與控制”為核心視角，我們綜述了規(guī)劃方法、控制方法以及2者的融合與發(fā)展趨勢，并在此基礎(chǔ)上進(jìn)行總結(jié)與展望。在技術(shù)層面，行走規(guī)劃與控制方法不斷演進(jìn)，當(dāng)前人形機器人行走研究已經(jīng)形成了從規(guī)劃、控制到融合的完整方法體系，并正沿著高魯棒性、自適應(yīng)與實用化的方向快速發(fā)展。

展望未來，人形機器人研究將不僅聚焦于單一的算法或硬件突破，而是朝著跨領(lǐng)域、跨層次的綜合發(fā)展方向邁進(jìn)。通過與大模型的結(jié)合、硬件—算法協(xié)同優(yōu)化、機構(gòu)與傳感器的演進(jìn)，以及統(tǒng)一標(biāo)準(zhǔn)體系的建立，人形機器人有望在非結(jié)構(gòu)化環(huán)境中實現(xiàn)更高水平的自主性與智能化，真正走向?qū)嵱没c大規(guī)模應(yīng)用。

本文作者：曹屹峰、何俊鵬、李炳賢、范麗麗、田永林、文偉松、曹東璞

作者簡介：曹屹峰，香港理工大學(xué)航空及民航工程學(xué)系，博士研究生，研究方向為人形機器人、機器人控制、自動駕駛；曹東璞（通信作者），清華大學(xué)智能綠色車輛與交通全國重點實驗室，教授，研究方向為駕駛員認(rèn)知、網(wǎng)聯(lián)自動駕駛。

文章來 源 ： 曹屹峰, 何俊鵬, 李炳賢, 等. 非結(jié)構(gòu)化環(huán)境下人形機器人行走規(guī)劃與控制[J]. 科技導(dǎo)報, 2025, 43(20): 93?104 .

本文轉(zhuǎn)載自《科技導(dǎo)報》微信公眾號

《物理》50年精選文章