过去两年人形机器人几乎是科技圈最“出圈”的话题之一。谁家的机器人能稳定行走、空翻、抓取物体谁家的机器人又接到工厂订单很容易成为短视频平台的热门内容。而在国内的人形机器人公司里优必选和宇树又是被拿来对比最多的两家。很多讨论最后会变成“谁更厉害”的站队但真正的工程问题往往被忽略你说的“厉害”到底是指运动控制还是工业可靠性是指价格门槛还是生态开放程度本文不讨论股价和市值只从核心硬件、运动控制、感知决策、商业化落地这几个维度尝试把“优必选追上了宇树”这个问题拆成可以对比的技术命题。如果你正在做机器人方向的学习、选型或者行业研究这篇文章可以帮你建立一个更客观的评估框架。1. 背景为什么人形机器人需要“多维度对比”1.1 人形机器人赛道升温的原因人形机器人Humanoid Robot并不是新鲜概念。早在上世纪就有大学实验室研究双足机器人但受限于电机、减速器、传感器和计算平台长期停留在实验阶段。最近这一轮爆发主要有三个推动力硬件成本下降。无框力矩电机、谐波减速器、六维力传感器等核心零部件的供应链逐渐成熟整机成本不再是天文数字。AI 能力跃升。大模型让机器人拥有理解和拆解自然语言指令的能力视觉大模型也让抓取和操作变得更鲁棒。头部公司示范效应。国外有特斯拉 Optimus、波士顿动力、Figure AI 等公司在不断更新产品视频国内则以优必选、宇树为代表频繁出现在公众视野中。因此当讨论“优必选和宇树谁更强”时我们表面上是在评价两家公司实际是在面对一条尚未完全成熟、但已经具备初步落地能力的技术赛道。用单一指标去概括很容易得到错误结论。1.2 本文的对比框架为了避免空谈我把对比拆成以下四个维度技术起点两家公司分别从哪里切入机器人产业。核心硬件关节电机、减速器、传感器方案差异。运动控制与智能步态规划、稳定性控制、感知与决策。商业化路径工业交付、科研开源、教育服务等不同打法。这四个维度互相影响但又不能直接互相推导。比如“会空翻”说明动态控制能力强但不能直接说明“工业现场连续运行稳定”。我们要做的是先把维度拆开再判断优势各自落在哪里。1.3 需要掌握的前置概念阅读本文不需要太深的机器人基础但有几个概念先了解一下自由度DOF机器人可独立运动的活动关节数量。自由度越高动作越灵活控制也越复杂。关节模组把电机、减速器、编码器、驱动器、力矩传感器等集成在一起的结构单元。运动控制负责步态规划、平衡控制、轨迹跟踪的算法模块。具身智能让机器人通过感知、认知和行动与环境交互的AI方向。后面的内容会反复用到这些词先建立印象即可。2. 从技术底子看起两家公司起点完全不同2.1 优必选伺服驱动与服务机器人起家优必选成立于2012年早期业务和技术积累可以从“伺服驱动”这个关键词说起。伺服驱动系统是机器人和自动化设备的核心部件决定关节能否精确、平滑地执行位置与力矩指令。优必选从舵机/伺服驱动产品切入之后逐步推出教育机器人、商用服务机器人最终进入人形机器人 Walker 系列。这条技术路径有一个特点它更接近传统工业机器人的思路。先保证关节精度、负载能力和稳定可控再考虑场景落地。所以优必选的人形机器人虽然节奏上不如一些公司激进但其产品定位更偏“能干活”的可靠工具。2023年优必选在港股上市成为“人形机器人第一股”。这类事件通常不能直接说明技术高低但至少意味着其商业化和资本化节奏比较靠前。2.2 宇树四足机器人和高性能电机起家宇树成立于2016年最早期产品是四足机器人机器狗。四足机器人同样要解决足式运动控制问题但腿的数量更多静态稳定性压力相对较小更适合做运动算法和电机驱动等技术验证。宇树在四足机器人领域积累了关节电机、电池管理、运动控制等经验后转向人形机器人。相比优必选宇树更倾向于用高功率密度电机和一体化关节来降低结构复杂度。它走的是“电机驱动 轻量化 高动态性能”的路线。2023年发布的人形机器人 H1 因为跑跳、原地空翻等高动态演示而走红2024年发布的 G1 又以相对较低的入门价格引起广泛讨论。2.3 底子决定了技术路线两家公司早期的技术路线会直接影响后续产品设计取向优必选的路线更接近“工业肌肉型”关节精度较高控制系统偏向确定性和安全性适用于长时间稳定执行任务。宇树的路线更接近“运动爆发型”关节功率密度高动态响应快适合跑跳等极限运动展示也适合做科研平台的二次开发。不能简单说哪条路线更优。工业场景看重稳定和寿命科研平台看重开放和动态能力消费级场景看重成本和体验。底子不同决定了它们后续选择不同的战场。3. 核心硬件对比关节、电机与传感器3.1 人形机器人的关节模块包含什么人形机器人要模仿人的动作最底层依赖的是关节模组。一个典型的旋转关节通常包含电机把电能转化为机械能常见方案有无刷直流电机、无框力矩电机等。减速器提高输出力矩并降低转速常见方案有谐波减速器、行星减速器、RV减速器。编码器反馈电机转子的位置与速度。驱动器接收控制指令输出PWM或电流控制信号。力矩/力传感器测量输出力矩或外部接触力用于柔顺控制和保护。可以说关节模组是整机成本最高、技术壁垒最集中的部分。如果核心关节依赖外购不仅成本难以控制产品迭代也会受到供应链制约。3.2 优必选的伺服驱动路线优必选早期从伺服驱动产品起步在人形机器人关节方案上更偏向“高精度伺服系统 谐波减速器”的经典组合。这种方案的典型特点是定位精度较高适合焊接、装配、上下料等精细操作。承载能力更强能够支撑更大的臂展和负载。技术相对成熟很多零部件可以复用工业机器人供应链。代价是成本较高、重量较大且体积比较难做到极致紧凑。如果目标是让机器人在工厂里像工人一样连续工作这类方案会更稳妥。3.3 宇树的一体化关节路线宇树在电机驱动上有长期积累更倾向于自研一体化关节把电机、减速器、编码器、驱动器集成到一起减少线束和外部接线同时提高功率密度。这种方案的优势在于集成度高关节体积小、重量轻。批量生产成本控制更激进。动态响应快适合跑、跳、空翻等高动态动作。代价是在大负载长时间运行下对电机散热和减速器寿命要求更高如果追求极致体积又要在扭矩输出上做取舍。所以采用一体化关节路线的产品可能在极限动态展示上非常出彩但工业场景的长期稳定性还需要更多数据验证。3.4 硬件的性价比与可靠性取舍在硬件层面两家公司的选择本质上是“性价比”和“可靠性”的取舍。如果有人问“谁的关节更好”答案取决于应用场景科研团队需要频繁改算法、做实验可能更看重开放性和维修便利性工厂项目需要连续运转更看重负载能力和稳定性教育用户则最关心采购成本和二次开发门槛。从公开信息来看宇树通过相对激进的定价策略把高性能人形机器人的入门门槛拉到了更低的区间这对整个开发者市场是好事。优必选则通过在车企等工业场景的实训试图证明人形机器人可以创造实际生产价值。两者短期不需要互相比拼同一个指标长期却大概率会在同一条赛道上相遇。4. 运动控制算法稳定行走、空翻与操作4.1 双足稳定的理论由来人形机器人最难的部分不是硬件本身而是让一个质量和身高都接近人的双足系统稳定运动。双足行走可以理解为一个不断“向前跌倒”又不断“接住自己”的过程。控制算法需要实时估算质心位置、零力矩点和足底支撑状态再决定下一秒关节该怎么发力。经典方法包括ZMP零力矩点保证压力中心落在支撑脚多边形内静态稳定。线性倒立摆模型LIPM把人形机器人简化为倒立摆简化步态规划。模型预测控制MPC在有限时间窗口内求解最优关节力矩序列。强化学习RL在仿真环境中训练策略网络再迁移到真机。4.2 ZMP 与线性倒立摆模型为了便于理解我们来看一个最简化的双足步态模型。线性倒立摆模型把机器人质心看作一个倒立摆的质心假设质心高度不变通过控制水平加速度来维持平衡。# 简化版线性倒立摆模型LIPM # 用于演示双足步态规划的经典思路并非真实厂商代码 class LinearInvertedPendulum: def __init__(self, gravity9.8, height1.0, dt0.01): self.g gravity self.h height self.dt dt def step(self, com_x, com_vx, u): 输入 com_x : 质心水平位置 com_vx : 质心水平速度 u : 质心水平加速度控制量 返回 下一步质心位置与速度 com_ax u / self.h com_x_next com_x com_vx * self.dt com_vx_next com_vx com_ax * self.dt return com_x_next, com_vx_next这个模型忽略了很多因素腿的惯量、地面反作用力约束、关节力矩上限、身体姿态变化等。但它揭示了双足步态规划的本质控制质心落在支撑域内同时推动机器人按预期方向前进。真实的人形机器人系统会在 LIPM 基础上增加全身动力学模型再用 MPC 在每一控制周期求解最优的关节力矩。计算量极大需要高性能嵌入式控制板和实时运行时环境来支撑。4.3 动态行走从 MPC 到强化学习近几年的趋势是从“模型已知”走向“学习控制”MPC 依赖精确的动力学模型模型误差会导致控制性能下降。强化学习先在高保真仿真器中训练策略再用 sim-to-real 技术迁移到真实机器人上对动力学误差的鲁棒性更强。宇树 H1 在演示中展现的空翻和快跑背后就很依赖动态响应性能更强的关节、实时运动控制器和高带宽传感反馈。优必选 Walker 系列更强调在工业环境中的平稳移动和操作对“炫技”动作的需求不高反而更关注重复定位精度和执行可靠性。如果你刚开始学习人形机器人控制不建议直接啃大而全的优化代码。可以先从经典 PID 控制、ZMP 步态规划入手再逐步接触 MPC 和强化学习。下面是一个最简单的关节位置 PID 控制器示例展示了运动控制中最常见的一层逻辑# 关节位置 PID 控制器示例 class PIDController: def __init__(self, kp, ki, kd): self.kp kp self.ki ki self.kd kd self.integral 0.0 self.prev_error 0.0 def update(self, target, current, dt): error target - current self.integral error * dt derivative (error - self.prev_error) / dt if dt 0 else 0.0 output self.kp * error self.ki * self.integral self.kd * derivative self.prev_error error return output这个控制器只是“让关节转到目标角度”的最小闭环。真正的全身控制需要把多个关节的 PID、力控、阻抗控制和整机稳定性约束组合起来难度指数级上升。4.4 “会空翻”说明什么又不能说明什么“会空翻”通常说明几个技术点关节峰值扭矩足够大输出重量比高。控制器带宽高能够快速响应落地冲击。整体结构轻量化设计到位能承受落地冲击。但它不能说明末端操作精度高不高。能不能在工厂重复执行 8 小时不故障。上位机调度、安全逻辑和产线对接是否成熟。所以“会空翻”是运动控制能力强的证据之一不是“全栈最强”的证明。真正衡量一台人形机器人是否成熟要看它能不能在复杂环境、长时间、高可靠性要求下完成任务。5. 感知、决策与 AI 能力5.1 人形机器人的感知系统构成人形机器人不能是“盲人”。它需要感知自身状态和环境信息才能完成导航、抓取和交互。典型感知设备包括双目光学相机 / RGB-D 相机提供彩色图像和深度信息。激光雷达用于建图和定位。惯性测量单元IMU测量机体角速度和加速度。关节编码器与力传感器反馈自身运动状态和外部接触力。这些信息会送入机器人的计算单元经过融合、配准、目标识别、路径规划最终生成关节控制指令。5.2 从指令到动作大模型如何参与人形机器人与传统工业机械臂的显著区别是“任务理解”。过去机器人只能执行预设轨迹现在大模型可以把“把桌上的杯子递给我”这类指令拆解为目标检测识别“杯子”在哪里。导航规划移动到桌子附近。抓取规划计算手臂末端位姿并执行抓取。交接动作把杯子放到指定位置。这套流程需要视觉语言模型VLM、运动规划器和底层控制器协同工作。无论优必选还是宇树都在积极拥抱大模型生态但各家接入深度和产品化程度不同。5.3 开发中常用的 ROS 2 数据通路说到机器人的软件架构ROS 2 是目前最常用的中间件之一。它通过“话题”来传递传感器数据和控制指令。下面是一个订阅关节状态数据的 ROS 2 节点示例可用于调试或数据记录# ROS 2 示例订阅 /joint_states 并打印关节角度 import rclpy from rclpy.node import Node from sensor_msgs.msg import JointState class JointStateSubscriber(Node): def __init__(self): super().__init__(joint_state_subscriber) self.subscription self.create_subscription( JointState, /joint_states, self.listener_callback, 10 ) self.subscription def listener_callback(self, msg): for name, position in zip(msg.name, msg.position): self.get_logger().info( f{name}: {position:.3f} rad ) def main(argsNone): rclpy.init(argsargs) node JointStateSubscriber() try: rclpy.spin(node) except KeyboardInterrupt: pass finally: node.destroy_node() rclpy.shutdown() if __name__ __main__: main()如果你手头没有真实机器人也可以在 Gazebo、MuJoCo 等仿真器中运行机器人模型并发布/joint_states话题效果类似。这也是很多人形机器人项目在没有物理样机阶段的通用开发方式。6. 商业化落地工业交付 vs 开发者生态6.1 优必选工业场景优先从公开信息看优必选的人形机器人产品已经进入汽车制造等工业场景实训涉及上下料、质量检测、搬运和装配等任务。这种打法非常“B 端项目制”和客户试跑、采集场景数据、打磨安全逻辑再逐步标准化复制。这种路线的优点在于更贴近真实需求能积累宝贵的工业场景数据集。更容易验证“人形机器人到底能不能替代人力”。一旦跑通客户粘性较强。缺点是项目周期长、定制化程度高。落地效果高度依赖现场工程能力。成本回收周期更长。6.2 宇树开发者生态和科研市场宇树则更像一家“平台型”公司。它通过四足机器人积累了大量高校和科研客户再推出人形机器人 G1、H1 等产品试图把开发者生态迁移到人形机器人上。G1 的定价策略也明显偏向“开发者友好”让更多实验室和研究所能够负担得起。这种路线的好处是用户基数大社区反馈快。产品迭代速度可以更快。有利于吸引第三方开发者和二次开发工具链。缺点是科研客户不一定产生稳定商业回报。对最终工业客户的规模化交付经验需要时间积累。6.3 不同场景下的选型建议如果你正在做技术选型可以按以下逻辑粗略判断需求可以重点考虑的方向工业上下料、质检、搬运类项目有较多工业场景验证和项目交付经验的产品高校科研、算法验证、快速原型开发开放性好、采购门槛低、社区活跃的产品教育展示、场馆接待、品牌曝光从成熟度和售后支持角度综合评估赛事与算法竞赛有专门赛事版本或开发者文档的产品注意市面上产品迭代很快具体选型一定要以最新的官方信息和客户案例为准不要只凭一两年前的评测结论做决定。7. 常见误区用错维度得出的错误结论7.1 把传播热度当作技术实力短视频平台里一家公司发布一段惊艳的演示视频常常会被解读成“技术领先”。但演示视频通常是优化过的场景、时间和算法版本与大规模交付之间还有很远的距离。评判一家机器人公司的技术要看是否实现稳定量产。是否在真实客户场景连续运行。故障率和维护成本如何。数据回传和迭代机制是否成熟。7.2 把人形机器人等同于通用人工智能目前的大多数人形机器人仍然是在垂直任务上训练和部署不能像人类一样泛化到任意场景。工厂里能搬运电池包不代表它能收拾家务、照看老人。把“人形”当作“通用智能”是一个很常见的误区。人形只是一种形态通用智能是软件算法层面的长期目标。7.3 用单一指标否定整条技术路线有人看到某家产品更便宜就认为它全方面领先也有人看到另一家产品更稳就认为对方技术落后。这些都是用单一指标替代系统评估。正确的思路是列出多个维度比如最大负载与末端精度单次充电续航连续运行时长与 MTBF平均无故障时间具身智能算法接口的开放程度售后响应与定制化支持再根据你的实际使用场景给每个维度加权最后选择更适合自己的产品。8. 从工程视角看“谁追上了谁”8.1 分维度结论回到标题优必选追上了宇树吗我认为需要分维度回答硬件自主化宇树在电机和一体化关节上投入更早产品传播也更强优必选在伺服系统和工业级关节上有长期积累两者各有侧重。运动控制动态能力宇树 H1 的跑跳、空翻等演示更出圈优必选 Walker 系列更强调平稳和可靠。商业化节奏优必选更早进入工业客户交付节奏宇树更擅长用性价比打开科研和开发者市场。具身智能两家都在接入大模型短期没有明显的高下之分真正取决于工程化速度。所以与其说“谁追上了谁”不如说它们选择了不同路线。前几年优必选人形机器人起步更早但从产品传播声量上看宇树在近两年势头很猛。长期来看工业交付能力和平台生态能力会共同决定市场格局。8.2 两种路线的未来交汇点随着市场规模扩大两家公司的路线会逐渐交叉宇树如果进入工业市场需要补齐可靠性和售后体系。优必选如果进入开发者市场需要降低价格门槛并开放更多接口。最终决定胜负的不是谁先发布某个产品而是谁能把成本、稳定性、生态三件事同时做好。8.3 给企业和开发者的参考如果你是找机器人方案的企业不要只问“谁更厉害”要问是否需要人形形态还是机械臂移动底盘就够。客户成功案例是否和你的产线场景匹配。安全逻辑是否符合工厂规范。二次开发和售后成本是否可控。如果你是学生或研究者优先考虑平台开放性和文档完善度其次再考虑算力、负载等硬指标。买一台好用、能快速跑起来调算法的设备比追求参数极限更划算。9. 开发者如何进入人形机器人领域9.1 必备知识体系人形机器人是典型的交叉学科想深入需要掌握数学基础线性代数、微积分、概率论。机器人学运动学、动力学、轨迹规划。控制理论PID、MPC、力控与柔顺控制。操作系统与中间件Linux、ROS 2、实时系统。编程语言Python、C。AI 基础计算机视觉、强化学习、大模型应用。9.2 动手学习路线建议按以下路径逐步进入先玩仿真。在 MuJoCo、Gazebo、Isaac Sim 里加载人形或四足机器人模型熟悉基本仿真流程。再学运动控制。从关节 PID 控制开始逐步加入步态规划。再做感知与决策。用 ROS 2 打通相机、激光雷达和导航模块。最后结合大模型。尝试把自然语言指令映射为机器人任务。不用一开始就买昂贵的整机。很多四足机器人和小型人形开发平台价格更低先用起来再考虑升级。9.3 仿真环境示例MuJoCoMuJoCo 是一个开源物理仿真引擎非常适合机器人算法验证。下面是一个最小加载示例# 使用 MuJoCo 加载人形机器人模型并启动仿真 import mujoco import mujoco.viewer # 需要准备一个 MJCF/URDF 格式的人形机器人模型文件 model mujoco.MjModel.from_xml_path(humanoid.xml) data mujoco.MjData(model) with mujoco.viewer.launch_passive(model, data) as viewer: while viewer.is_running(): mujoco.mj_step(model, data) viewer.sync()如果你没有自己的模型文件可以从开源平台下载常见人形机器人模型或者使用仿真环境中自带的人类模型。这一阶段的核心目标是跑通流程不一定要立刻追求复杂控制算法。10. 收尾别用“谁厉害”代替技术判断聊到这里再看“优必选追上了宇树”这个问题你会发现答案其实取决于你站在哪个坐标系里。比起谁的产品视频更火我更关心谁能先做到低成本、高可靠、可批量交付谁能在真实场景里让客户愿意持续付费。对技术人来说这种讨论最有价值的部分不是得出一个“某某赢了”的结论而是逼自己去了解关节电机、步态控制、具身智能、场景落地这些底层问题。你可以结合自己的业务背景去判断哪条路线更适合。如果本文能帮你建立这个评估框架那它就算没有白写。后续可以重点观察两家公司的新品迭代、工业场景量产数据和开发者社区活跃度这些都是比片段式视频更可靠的判断依据。 优必选与宇树人形机器人技术路线对比：从硬件到商业化落地
过去两年人形机器人几乎是科技圈最“出圈”的话题之一。谁家的机器人能稳定行走、空翻、抓取物体谁家的机器人又接到工厂订单很容易成为短视频平台的热门内容。而在国内的人形机器人公司里优必选和宇树又是被拿来对比最多的两家。很多讨论最后会变成“谁更厉害”的站队但真正的工程问题往往被忽略你说的“厉害”到底是指运动控制还是工业可靠性是指价格门槛还是生态开放程度本文不讨论股价和市值只从核心硬件、运动控制、感知决策、商业化落地这几个维度尝试把“优必选追上了宇树”这个问题拆成可以对比的技术命题。如果你正在做机器人方向的学习、选型或者行业研究这篇文章可以帮你建立一个更客观的评估框架。1. 背景为什么人形机器人需要“多维度对比”1.1 人形机器人赛道升温的原因人形机器人Humanoid Robot并不是新鲜概念。早在上世纪就有大学实验室研究双足机器人但受限于电机、减速器、传感器和计算平台长期停留在实验阶段。最近这一轮爆发主要有三个推动力硬件成本下降。无框力矩电机、谐波减速器、六维力传感器等核心零部件的供应链逐渐成熟整机成本不再是天文数字。AI 能力跃升。大模型让机器人拥有理解和拆解自然语言指令的能力视觉大模型也让抓取和操作变得更鲁棒。头部公司示范效应。国外有特斯拉 Optimus、波士顿动力、Figure AI 等公司在不断更新产品视频国内则以优必选、宇树为代表频繁出现在公众视野中。因此当讨论“优必选和宇树谁更强”时我们表面上是在评价两家公司实际是在面对一条尚未完全成熟、但已经具备初步落地能力的技术赛道。用单一指标去概括很容易得到错误结论。1.2 本文的对比框架为了避免空谈我把对比拆成以下四个维度技术起点两家公司分别从哪里切入机器人产业。核心硬件关节电机、减速器、传感器方案差异。运动控制与智能步态规划、稳定性控制、感知与决策。商业化路径工业交付、科研开源、教育服务等不同打法。这四个维度互相影响但又不能直接互相推导。比如“会空翻”说明动态控制能力强但不能直接说明“工业现场连续运行稳定”。我们要做的是先把维度拆开再判断优势各自落在哪里。1.3 需要掌握的前置概念阅读本文不需要太深的机器人基础但有几个概念先了解一下自由度DOF机器人可独立运动的活动关节数量。自由度越高动作越灵活控制也越复杂。关节模组把电机、减速器、编码器、驱动器、力矩传感器等集成在一起的结构单元。运动控制负责步态规划、平衡控制、轨迹跟踪的算法模块。具身智能让机器人通过感知、认知和行动与环境交互的AI方向。后面的内容会反复用到这些词先建立印象即可。2. 从技术底子看起两家公司起点完全不同2.1 优必选伺服驱动与服务机器人起家优必选成立于2012年早期业务和技术积累可以从“伺服驱动”这个关键词说起。伺服驱动系统是机器人和自动化设备的核心部件决定关节能否精确、平滑地执行位置与力矩指令。优必选从舵机/伺服驱动产品切入之后逐步推出教育机器人、商用服务机器人最终进入人形机器人 Walker 系列。这条技术路径有一个特点它更接近传统工业机器人的思路。先保证关节精度、负载能力和稳定可控再考虑场景落地。所以优必选的人形机器人虽然节奏上不如一些公司激进但其产品定位更偏“能干活”的可靠工具。2023年优必选在港股上市成为“人形机器人第一股”。这类事件通常不能直接说明技术高低但至少意味着其商业化和资本化节奏比较靠前。2.2 宇树四足机器人和高性能电机起家宇树成立于2016年最早期产品是四足机器人机器狗。四足机器人同样要解决足式运动控制问题但腿的数量更多静态稳定性压力相对较小更适合做运动算法和电机驱动等技术验证。宇树在四足机器人领域积累了关节电机、电池管理、运动控制等经验后转向人形机器人。相比优必选宇树更倾向于用高功率密度电机和一体化关节来降低结构复杂度。它走的是“电机驱动 轻量化 高动态性能”的路线。2023年发布的人形机器人 H1 因为跑跳、原地空翻等高动态演示而走红2024年发布的 G1 又以相对较低的入门价格引起广泛讨论。2.3 底子决定了技术路线两家公司早期的技术路线会直接影响后续产品设计取向优必选的路线更接近“工业肌肉型”关节精度较高控制系统偏向确定性和安全性适用于长时间稳定执行任务。宇树的路线更接近“运动爆发型”关节功率密度高动态响应快适合跑跳等极限运动展示也适合做科研平台的二次开发。不能简单说哪条路线更优。工业场景看重稳定和寿命科研平台看重开放和动态能力消费级场景看重成本和体验。底子不同决定了它们后续选择不同的战场。3. 核心硬件对比关节、电机与传感器3.1 人形机器人的关节模块包含什么人形机器人要模仿人的动作最底层依赖的是关节模组。一个典型的旋转关节通常包含电机把电能转化为机械能常见方案有无刷直流电机、无框力矩电机等。减速器提高输出力矩并降低转速常见方案有谐波减速器、行星减速器、RV减速器。编码器反馈电机转子的位置与速度。驱动器接收控制指令输出PWM或电流控制信号。力矩/力传感器测量输出力矩或外部接触力用于柔顺控制和保护。可以说关节模组是整机成本最高、技术壁垒最集中的部分。如果核心关节依赖外购不仅成本难以控制产品迭代也会受到供应链制约。3.2 优必选的伺服驱动路线优必选早期从伺服驱动产品起步在人形机器人关节方案上更偏向“高精度伺服系统 谐波减速器”的经典组合。这种方案的典型特点是定位精度较高适合焊接、装配、上下料等精细操作。承载能力更强能够支撑更大的臂展和负载。技术相对成熟很多零部件可以复用工业机器人供应链。代价是成本较高、重量较大且体积比较难做到极致紧凑。如果目标是让机器人在工厂里像工人一样连续工作这类方案会更稳妥。3.3 宇树的一体化关节路线宇树在电机驱动上有长期积累更倾向于自研一体化关节把电机、减速器、编码器、驱动器集成到一起减少线束和外部接线同时提高功率密度。这种方案的优势在于集成度高关节体积小、重量轻。批量生产成本控制更激进。动态响应快适合跑、跳、空翻等高动态动作。代价是在大负载长时间运行下对电机散热和减速器寿命要求更高如果追求极致体积又要在扭矩输出上做取舍。所以采用一体化关节路线的产品可能在极限动态展示上非常出彩但工业场景的长期稳定性还需要更多数据验证。3.4 硬件的性价比与可靠性取舍在硬件层面两家公司的选择本质上是“性价比”和“可靠性”的取舍。如果有人问“谁的关节更好”答案取决于应用场景科研团队需要频繁改算法、做实验可能更看重开放性和维修便利性工厂项目需要连续运转更看重负载能力和稳定性教育用户则最关心采购成本和二次开发门槛。从公开信息来看宇树通过相对激进的定价策略把高性能人形机器人的入门门槛拉到了更低的区间这对整个开发者市场是好事。优必选则通过在车企等工业场景的实训试图证明人形机器人可以创造实际生产价值。两者短期不需要互相比拼同一个指标长期却大概率会在同一条赛道上相遇。4. 运动控制算法稳定行走、空翻与操作4.1 双足稳定的理论由来人形机器人最难的部分不是硬件本身而是让一个质量和身高都接近人的双足系统稳定运动。双足行走可以理解为一个不断“向前跌倒”又不断“接住自己”的过程。控制算法需要实时估算质心位置、零力矩点和足底支撑状态再决定下一秒关节该怎么发力。经典方法包括ZMP零力矩点保证压力中心落在支撑脚多边形内静态稳定。线性倒立摆模型LIPM把人形机器人简化为倒立摆简化步态规划。模型预测控制MPC在有限时间窗口内求解最优关节力矩序列。强化学习RL在仿真环境中训练策略网络再迁移到真机。4.2 ZMP 与线性倒立摆模型为了便于理解我们来看一个最简化的双足步态模型。线性倒立摆模型把机器人质心看作一个倒立摆的质心假设质心高度不变通过控制水平加速度来维持平衡。# 简化版线性倒立摆模型LIPM # 用于演示双足步态规划的经典思路并非真实厂商代码 class LinearInvertedPendulum: def __init__(self, gravity9.8, height1.0, dt0.01): self.g gravity self.h height self.dt dt def step(self, com_x, com_vx, u): 输入 com_x : 质心水平位置 com_vx : 质心水平速度 u : 质心水平加速度控制量 返回 下一步质心位置与速度 com_ax u / self.h com_x_next com_x com_vx * self.dt com_vx_next com_vx com_ax * self.dt return com_x_next, com_vx_next这个模型忽略了很多因素腿的惯量、地面反作用力约束、关节力矩上限、身体姿态变化等。但它揭示了双足步态规划的本质控制质心落在支撑域内同时推动机器人按预期方向前进。真实的人形机器人系统会在 LIPM 基础上增加全身动力学模型再用 MPC 在每一控制周期求解最优的关节力矩。计算量极大需要高性能嵌入式控制板和实时运行时环境来支撑。4.3 动态行走从 MPC 到强化学习近几年的趋势是从“模型已知”走向“学习控制”MPC 依赖精确的动力学模型模型误差会导致控制性能下降。强化学习先在高保真仿真器中训练策略再用 sim-to-real 技术迁移到真实机器人上对动力学误差的鲁棒性更强。宇树 H1 在演示中展现的空翻和快跑背后就很依赖动态响应性能更强的关节、实时运动控制器和高带宽传感反馈。优必选 Walker 系列更强调在工业环境中的平稳移动和操作对“炫技”动作的需求不高反而更关注重复定位精度和执行可靠性。如果你刚开始学习人形机器人控制不建议直接啃大而全的优化代码。可以先从经典 PID 控制、ZMP 步态规划入手再逐步接触 MPC 和强化学习。下面是一个最简单的关节位置 PID 控制器示例展示了运动控制中最常见的一层逻辑# 关节位置 PID 控制器示例 class PIDController: def __init__(self, kp, ki, kd): self.kp kp self.ki ki self.kd kd self.integral 0.0 self.prev_error 0.0 def update(self, target, current, dt): error target - current self.integral error * dt derivative (error - self.prev_error) / dt if dt 0 else 0.0 output self.kp * error self.ki * self.integral self.kd * derivative self.prev_error error return output这个控制器只是“让关节转到目标角度”的最小闭环。真正的全身控制需要把多个关节的 PID、力控、阻抗控制和整机稳定性约束组合起来难度指数级上升。4.4 “会空翻”说明什么又不能说明什么“会空翻”通常说明几个技术点关节峰值扭矩足够大输出重量比高。控制器带宽高能够快速响应落地冲击。整体结构轻量化设计到位能承受落地冲击。但它不能说明末端操作精度高不高。能不能在工厂重复执行 8 小时不故障。上位机调度、安全逻辑和产线对接是否成熟。所以“会空翻”是运动控制能力强的证据之一不是“全栈最强”的证明。真正衡量一台人形机器人是否成熟要看它能不能在复杂环境、长时间、高可靠性要求下完成任务。5. 感知、决策与 AI 能力5.1 人形机器人的感知系统构成人形机器人不能是“盲人”。它需要感知自身状态和环境信息才能完成导航、抓取和交互。典型感知设备包括双目光学相机 / RGB-D 相机提供彩色图像和深度信息。激光雷达用于建图和定位。惯性测量单元IMU测量机体角速度和加速度。关节编码器与力传感器反馈自身运动状态和外部接触力。这些信息会送入机器人的计算单元经过融合、配准、目标识别、路径规划最终生成关节控制指令。5.2 从指令到动作大模型如何参与人形机器人与传统工业机械臂的显著区别是“任务理解”。过去机器人只能执行预设轨迹现在大模型可以把“把桌上的杯子递给我”这类指令拆解为目标检测识别“杯子”在哪里。导航规划移动到桌子附近。抓取规划计算手臂末端位姿并执行抓取。交接动作把杯子放到指定位置。这套流程需要视觉语言模型VLM、运动规划器和底层控制器协同工作。无论优必选还是宇树都在积极拥抱大模型生态但各家接入深度和产品化程度不同。5.3 开发中常用的 ROS 2 数据通路说到机器人的软件架构ROS 2 是目前最常用的中间件之一。它通过“话题”来传递传感器数据和控制指令。下面是一个订阅关节状态数据的 ROS 2 节点示例可用于调试或数据记录# ROS 2 示例订阅 /joint_states 并打印关节角度 import rclpy from rclpy.node import Node from sensor_msgs.msg import JointState class JointStateSubscriber(Node): def __init__(self): super().__init__(joint_state_subscriber) self.subscription self.create_subscription( JointState, /joint_states, self.listener_callback, 10 ) self.subscription def listener_callback(self, msg): for name, position in zip(msg.name, msg.position): self.get_logger().info( f{name}: {position:.3f} rad ) def main(argsNone): rclpy.init(argsargs) node JointStateSubscriber() try: rclpy.spin(node) except KeyboardInterrupt: pass finally: node.destroy_node() rclpy.shutdown() if __name__ __main__: main()如果你手头没有真实机器人也可以在 Gazebo、MuJoCo 等仿真器中运行机器人模型并发布/joint_states话题效果类似。这也是很多人形机器人项目在没有物理样机阶段的通用开发方式。6. 商业化落地工业交付 vs 开发者生态6.1 优必选工业场景优先从公开信息看优必选的人形机器人产品已经进入汽车制造等工业场景实训涉及上下料、质量检测、搬运和装配等任务。这种打法非常“B 端项目制”和客户试跑、采集场景数据、打磨安全逻辑再逐步标准化复制。这种路线的优点在于更贴近真实需求能积累宝贵的工业场景数据集。更容易验证“人形机器人到底能不能替代人力”。一旦跑通客户粘性较强。缺点是项目周期长、定制化程度高。落地效果高度依赖现场工程能力。成本回收周期更长。6.2 宇树开发者生态和科研市场宇树则更像一家“平台型”公司。它通过四足机器人积累了大量高校和科研客户再推出人形机器人 G1、H1 等产品试图把开发者生态迁移到人形机器人上。G1 的定价策略也明显偏向“开发者友好”让更多实验室和研究所能够负担得起。这种路线的好处是用户基数大社区反馈快。产品迭代速度可以更快。有利于吸引第三方开发者和二次开发工具链。缺点是科研客户不一定产生稳定商业回报。对最终工业客户的规模化交付经验需要时间积累。6.3 不同场景下的选型建议如果你正在做技术选型可以按以下逻辑粗略判断需求可以重点考虑的方向工业上下料、质检、搬运类项目有较多工业场景验证和项目交付经验的产品高校科研、算法验证、快速原型开发开放性好、采购门槛低、社区活跃的产品教育展示、场馆接待、品牌曝光从成熟度和售后支持角度综合评估赛事与算法竞赛有专门赛事版本或开发者文档的产品注意市面上产品迭代很快具体选型一定要以最新的官方信息和客户案例为准不要只凭一两年前的评测结论做决定。7. 常见误区用错维度得出的错误结论7.1 把传播热度当作技术实力短视频平台里一家公司发布一段惊艳的演示视频常常会被解读成“技术领先”。但演示视频通常是优化过的场景、时间和算法版本与大规模交付之间还有很远的距离。评判一家机器人公司的技术要看是否实现稳定量产。是否在真实客户场景连续运行。故障率和维护成本如何。数据回传和迭代机制是否成熟。7.2 把人形机器人等同于通用人工智能目前的大多数人形机器人仍然是在垂直任务上训练和部署不能像人类一样泛化到任意场景。工厂里能搬运电池包不代表它能收拾家务、照看老人。把“人形”当作“通用智能”是一个很常见的误区。人形只是一种形态通用智能是软件算法层面的长期目标。7.3 用单一指标否定整条技术路线有人看到某家产品更便宜就认为它全方面领先也有人看到另一家产品更稳就认为对方技术落后。这些都是用单一指标替代系统评估。正确的思路是列出多个维度比如最大负载与末端精度单次充电续航连续运行时长与 MTBF平均无故障时间具身智能算法接口的开放程度售后响应与定制化支持再根据你的实际使用场景给每个维度加权最后选择更适合自己的产品。8. 从工程视角看“谁追上了谁”8.1 分维度结论回到标题优必选追上了宇树吗我认为需要分维度回答硬件自主化宇树在电机和一体化关节上投入更早产品传播也更强优必选在伺服系统和工业级关节上有长期积累两者各有侧重。运动控制动态能力宇树 H1 的跑跳、空翻等演示更出圈优必选 Walker 系列更强调平稳和可靠。商业化节奏优必选更早进入工业客户交付节奏宇树更擅长用性价比打开科研和开发者市场。具身智能两家都在接入大模型短期没有明显的高下之分真正取决于工程化速度。所以与其说“谁追上了谁”不如说它们选择了不同路线。前几年优必选人形机器人起步更早但从产品传播声量上看宇树在近两年势头很猛。长期来看工业交付能力和平台生态能力会共同决定市场格局。8.2 两种路线的未来交汇点随着市场规模扩大两家公司的路线会逐渐交叉宇树如果进入工业市场需要补齐可靠性和售后体系。优必选如果进入开发者市场需要降低价格门槛并开放更多接口。最终决定胜负的不是谁先发布某个产品而是谁能把成本、稳定性、生态三件事同时做好。8.3 给企业和开发者的参考如果你是找机器人方案的企业不要只问“谁更厉害”要问是否需要人形形态还是机械臂移动底盘就够。客户成功案例是否和你的产线场景匹配。安全逻辑是否符合工厂规范。二次开发和售后成本是否可控。如果你是学生或研究者优先考虑平台开放性和文档完善度其次再考虑算力、负载等硬指标。买一台好用、能快速跑起来调算法的设备比追求参数极限更划算。9. 开发者如何进入人形机器人领域9.1 必备知识体系人形机器人是典型的交叉学科想深入需要掌握数学基础线性代数、微积分、概率论。机器人学运动学、动力学、轨迹规划。控制理论PID、MPC、力控与柔顺控制。操作系统与中间件Linux、ROS 2、实时系统。编程语言Python、C。AI 基础计算机视觉、强化学习、大模型应用。9.2 动手学习路线建议按以下路径逐步进入先玩仿真。在 MuJoCo、Gazebo、Isaac Sim 里加载人形或四足机器人模型熟悉基本仿真流程。再学运动控制。从关节 PID 控制开始逐步加入步态规划。再做感知与决策。用 ROS 2 打通相机、激光雷达和导航模块。最后结合大模型。尝试把自然语言指令映射为机器人任务。不用一开始就买昂贵的整机。很多四足机器人和小型人形开发平台价格更低先用起来再考虑升级。9.3 仿真环境示例MuJoCoMuJoCo 是一个开源物理仿真引擎非常适合机器人算法验证。下面是一个最小加载示例# 使用 MuJoCo 加载人形机器人模型并启动仿真 import mujoco import mujoco.viewer # 需要准备一个 MJCF/URDF 格式的人形机器人模型文件 model mujoco.MjModel.from_xml_path(humanoid.xml) data mujoco.MjData(model) with mujoco.viewer.launch_passive(model, data) as viewer: while viewer.is_running(): mujoco.mj_step(model, data) viewer.sync()如果你没有自己的模型文件可以从开源平台下载常见人形机器人模型或者使用仿真环境中自带的人类模型。这一阶段的核心目标是跑通流程不一定要立刻追求复杂控制算法。10. 收尾别用“谁厉害”代替技术判断聊到这里再看“优必选追上了宇树”这个问题你会发现答案其实取决于你站在哪个坐标系里。比起谁的产品视频更火我更关心谁能先做到低成本、高可靠、可批量交付谁能在真实场景里让客户愿意持续付费。对技术人来说这种讨论最有价值的部分不是得出一个“某某赢了”的结论而是逼自己去了解关节电机、步态控制、具身智能、场景落地这些底层问题。你可以结合自己的业务背景去判断哪条路线更适合。如果本文能帮你建立这个评估框架那它就算没有白写。后续可以重点观察两家公司的新品迭代、工业场景量产数据和开发者社区活跃度这些都是比片段式视频更可靠的判断依据。