8.1 综合案例剖析：人形/机械臂/具身大模型系统
文档摘要
8.1 综合案例剖析：人形/机械臂/具身大模型系统 抽象原理讲了七章，现在把它们装进三个真实系统看：双足人形（Figure/Optimus/Atlas）、机械臂操作（RT-X 体系）、具身大模型（Physical Intelligence）。每个案例都是前 7 章概念的具象整合。 8.1.1 案例一：双足人形机器人 代表：Figure 02（Figure AI）、Tesla Optimus Gen 3、Boston Dynamics Atlas（电驱版）、1X Neo、Apptronik Apollo、宇树 H1/G1、智元、傅利叶 GR-1。 端到端 pipeline Figure 02 的技术栈（基于公开信息） 感知：头部多目 RGB-D + 手腕相机 + IMU + 关节力矩传感。
8.1 综合案例剖析：人形/机械臂/具身大模型系统
抽象原理讲了七章，现在把它们装进三个真实系统看：双足人形（Figure/Optimus/Atlas）、机械臂操作（RT-X 体系）、具身大模型（Physical Intelligence）。每个案例都是前 7 章概念的具象整合。
8.1.1 案例一：双足人形机器人
代表：Figure 02（Figure AI）、Tesla Optimus Gen 3、Boston Dynamics Atlas（电驱版）、1X Neo、Apptronik Apollo、宇树 H1/G1、智元、傅利叶 GR-1。
端到端 pipeline
Figure 02 的技术栈（基于公开信息）
- 感知：头部多目 RGB-D + 手腕相机 + IMU + 关节力矩传感。
- 大脑：与 OpenAI 合作的多模态 LLM 做任务理解与规划。
- 策略：自家训练的 VLA/RL 策略（细节未公开）。
- 控制：whole-body control + MPC 做平衡与运动。
- 本体：电驱关节、准直驱设计、双足双臂。
Tesla Optimus 的特点
- 强调垂直整合：电机、减速器、电池、计算单元自研。
- 数据：用特斯拉工厂内部场景大规模采集。
- AI：复用 FSD（Full Self-Driving）团队的视觉与神经网络技术。
- 目标：先在自家工厂替代重复劳动，再扩展到通用场景。
Boston Dynamics Atlas（电驱版）
- 液压 → 电驱：2024 年从液压版切换为电驱版，更安静、更精确、更可靠。
- 强化 RL：大量用 RL 训练复杂动作（跑酷、翻滚、起身）。
- 行业定位：工业场景（工厂维护、危险作业）而非家庭。
人形机器人的共同技术选择
| 维度 | 当前主流选择 |
|---|---|
| 本体 | 电驱、准直驱关节、30+ DoF |
| 感知 | 头部 RGB-D + 手腕相机 + IMU + 关节力矩 |
| 大脑 | 多模态 LLM（外部 API 或自家） |
| 策略 | VLA + RL 混合 |
| 控制 | WBC + MPC |
| 数据 | 遥操作 + 仿真 + 工厂场景 |
| 算力 | 边缘 GPU（Jetson Thor 等） |
共同挑战
- 平衡：双足不稳定，持续主动平衡耗能高、控制难。
- 续航：当前 2-4 小时，远不够 8 小时工作日。
- 算力：边缘设备跑大 VLA 延迟大。
- 成本：当前单价 5-30 万美元，难以规模化。
8.1.2 案例二：机械臂操作（RT-X 体系）
代表：Google DeepMind RT-X 系列、Stanford Mobile ALOHA、UCB Bridge/Data。
端到端 pipeline（简化版）
RT-X 的核心思想
RT-X 是 Google DeepMind 2023 年发布的跨机器人通用策略体系：
- 在 Open X-Embodiment 数据上训练。
- 一个模型控制多种机械臂（UR、Kuka、Franka、xArm 等）。
- 证明跨本体通用策略可行。
Mobile ALOHA
Stanford 2024 年的 Mobile ALOHA：
- 硬件：轮式底盘 + 双臂 + 双夹爪（低成本）。
- 遥操作：双臂 leader-follower（操作员直接同步操作）。
- 策略：基于 ALOHA 的扩散策略，能完成「炒菜、洗衣、清洁」等任务。
- 意义：让双臂遥操作系统成本降到几万美元级别，推动研究民主化。
机械臂操作的特点
| 优势 | 劣势 |
|---|---|
| 形态成熟，控制精确 | 工作空间受限（固定基座） |
| 数据采集相对便宜 | 不能移动到不同场景 |
| 商业化最成熟 | 复杂任务（装配）仍难 |
机械臂操作是当前 VLA 最先落地的形态——仓储拣选、工厂上下料、餐饮烹饪已规模化部署。
8.1.3 案例三：具身大模型（Physical Intelligence）
代表：Physical Intelligence（π0）、Skild AI、思灵机器人、银河通用等。
Physical Intelligence 的技术栈
π0 的能力（基于公开 demo）
- 折叠衣物：多步骤、非刚性物体操作。
- 装袋：接触丰富、几何复杂。
- 组装：精确对位。
- 烹饪：多阶段、多物体协调。
- 跨本体：一个模型控制多种机器人。
这些任务都是传统方法难以处理的，π0 展示了具身大模型在复杂长程任务上的潜力。
商业意义
- 估值数十亿美元。
- 证明具身大模型可商业化。
- 引发大量资本和人才涌入。
8.1.4 三类案例的对比
| 维度 | 人形机器人 | 机械臂操作 | 具身大模型 |
|---|---|---|---|
| 代表 | Figure/Optimus | RT-X/Mobile ALOHA | π0 |
| 本体 | 30+ DoF 双足双臂 | 6-7 DoF 单/双臂 | 跨本体 |
| 核心难点 | 平衡 + 通用任务 | 精细操作 | 数据规模 |
| 数据 | 遥操作 + 工厂 | Open X + 自采 | 私有大规模 |
| 落地 | 工厂试点 | 仓储/工厂已部署 | 研究示范 |
| 算力需求 | 极高 | 中 | 极高 |
8.1.5 一个典型任务的全栈调用
以「人形机器人帮人倒杯水」为例，看一遍全栈调用：
1. 用户语音: "我渴了" ↓ [第4章 LLM 语音理解] 2. LLM 规划: 任务 = 找杯子 + 找水壶 + 倒水 + 送到用户面前 ↓ [第4章 LLM 任务规划] 3. VLM 扫描环境，识别杯子和水壶位置 ↓ [第2章 视觉感知 + 第4章 VLM] 4. SLAM 与路径规划，机器人走到厨房 ↓ [第3章 SLAM + 第6章运动规划] 5. 双足平衡控制，机器人稳定站立 ↓ [第6章 WBC + 平衡 RL] 6. 右臂抓取水壶把手 ↓ [第5章 VLA 抓取策略] 7. 左臂拿杯子 ↓ [第5章 VLA 抓取] 8. 倒水（控制倾倒角度、力反馈停止） ↓ [第6章 阻抗控制 + 第2章 触觉] 9. 把杯子送到用户面前 ↓ [整合] 10. 监督执行，出错（水洒了）→ 反思重规划 ↓ [第4章 Reflexion]
每一步都对应前 7 章的某个技术。具身智能的复杂度可见一斑——一个看似简单的「倒水」任务，调用了全书大部分章节。
本节小结
- 人形机器人 pipeline：感知（RGB-D/IMU/力）+ 大脑（多模态 LLM + VLA）+ 控制（WBC/MPC/阻抗）+ 双足执行。
- Figure 02、Tesla Optimus、Boston Dynamics Atlas 是当前三大代表，共同选择电驱 + VLA + WBC。
- 机械臂操作（RT-X、Mobile ALOHA）是 VLA 最先落地的形态，仓储/工厂已部署。
- 具身大模型（π0）展示工业级复杂任务能力，估值证明商业可行性。
- 一个「倒水」任务调用前 7 章大部分技术，体现具身智能的系统复杂度。
下一节《8.2 系统性挑战》将直面具身智能落地的难题。