腿式机器人运动性能竞争转向能效优化与自主控制

一、态势概览：腿式机器人加快提升持续运动与环境适应能力

近年来，四足机器人和人形机器人在奔跑速度、跳跃高度、障碍跨越和复杂动作执行等方面不断取得突破，腿式机器人的运动性能显著提升。但随着机器人应用从实验室和展示场景向工业巡检、应急救援、物流运输和公共服务等领域拓展，短时间内完成高难度动作已难以满足实际作业需求。机器人还需要在有限电池容量下持续运行，并能够根据环境变化自主规划路线、调整姿态和保持运动稳定。

围绕上述需求，全球腿式机器人研究正在形成两条重要技术方向。一方面，通过优化机械结构、电机驱动和运动控制算法，降低运动过程中的能量损耗，提高续航和持续作业能力；另一方面，将视觉语言模型、扩散模型和强化学习引入运动控制，使机器人能够理解空间环境、生成适应地形的动作，并在执行过程中实时调整。腿式机器人技术竞争正从速度、灵活性等单项指标，进一步转向运动能效、环境适应性和自主控制等综合能力。

二、研究进展：多家科研机构探索高能效与自主运动技术

1.韩国科学技术院RAIBO2完成全程马拉松，突破四足机器人续航限制

韩国科学技术院（KAIST）研发的四足机器人RAIBO2实现单次充电完成42.195千米全程马拉松，耗时4小时19分52秒，全程消耗1280瓦时电能。该机器人于2024年11月参加韩国尚州马拉松赛事。实验记录显示，RAIBO2平均运动速度为每秒2.64米，运动总能耗指标为0.25，低于研究采用的人类运动参照值0.37，单次充电行进距离达到现有四足机器人的3倍以上。

RAIBO2的续航突破主要来自机械、电气和控制系统的整体优化。与轮式机器人不同，四足机器人需要通过多个关节持续支撑身体重量，足部与地面反复接触也会产生额外能量损失。研究团队建立整机能耗模型，分析电机、驱动电路、机械传动和运动过程中的不同损耗来源，再针对性调整系统设计。

在硬件方面，团队采用轻量化腿部结构和低阻力电机驱动电路，减少机械惯性及电气损耗；在软件方面，通过强化学习训练低能耗运动策略，使机器人在维持速度和稳定性的同时，优化关节输出和足部运动。系统还能够在下坡过程中回收部分机械能，进一步提高能源利用效率。马拉松测试涵盖坡道、湿滑路面等实际环境，验证了机器人在长时间连续运动中的能效表现。

研究团队正通过衍生企业Raion Robotics推进成果转化，重点解决批量生产、环境防护和长期可靠性等问题，为四足机器人在户外巡检、复杂地形运输和应急救援中的持续运行提供技术基础。

2.美国高校开发TANGO框架，实现语言引导下的全身自主导航

2026年9月，美国加州大学伯克利分校、普林斯顿大学及其他研究机构联合提出TANGO视觉语言动作框架，面向人形机器人在狭窄、拥挤和障碍密集环境中的自主导航问题。传统机器人导航主要依据二维地图规划行进路线，但人形机器人具有复杂的身体结构，即使路线本身可以通行，也可能因为肩膀、手臂或躯干与障碍物发生碰撞而无法通过。

TANGO将自然语言指令、第一人称视觉信息与全身动作控制结合，使机器人能够在理解目标位置的同时，判断自身应采取何种姿态。系统基于视觉语言模型和动作生成模块，直接预测29自由度的关节动作，再通过运动跟踪控制器完成执行，使机器人能够根据空间约束调整步态、躯干和手臂位置。

为解决真实人形机器人运动数据不足的问题，研究团队构建了自动化仿真数据生成流程，通过路径规划、动作生成、障碍物感知和强化学习跟踪，合成64633条训练轨迹。模型完全使用仿真数据训练，随后直接部署到宇树科技G1人形机器人上，无需额外采集真实场景导航训练数据。

实验中，机器人能够根据语言指令在复杂室内环境中连续行进，通过狭窄通道时侧身调整姿态，遇到低矮障碍时抬腿跨越，面对上方障碍时弯腰避让，并完成约30米的真实场景导航测试。TANGO将导航决策与身体动作生成更加紧密地结合，为人形机器人在复杂三维空间中的自主通行提供了新的技术路径。

3. 苏黎世联邦理工学院融合扩散模型与强化学习，实现复杂地形全身运动

瑞士苏黎世联邦理工学院联合加拿大西蒙弗雷泽大学等机构开发全身运动控制框架，通过扩散模型生成适应地形的动作，并利用强化学习实现实时动作跟踪，重点解决人形机器人在复杂地形中全身运动不协调、动作适应能力不足等问题。

传统强化学习运动控制容易形成以下肢为主的运动模式，机器人虽然可以完成行走和跨越，但上肢、躯干与腿部之间的协调相对有限。基于动作模仿的方法能够生成更自然的全身姿态，却往往依赖预先设定的参考动作，面对地形变化时难以及时调整。

研究团队将动作生成与动作跟踪相结合。首先利用人类动作数据训练扩散模型，使其根据地形感知信息实时生成参考动作；随后通过强化学习训练全身运动控制器，将参考动作转化为稳定的关节控制指令。系统还通过闭环训练提高对动作生成误差的容忍能力，减少运动过程中的失衡和偏差。

该框架已部署于宇树科技G1人形机器人，在箱体攀爬、跨越栏架、上下楼梯和混合地形通行等任务中得到验证。机器人能够根据障碍高度、地形结构和运动方向调整全身姿态，在保持身体平衡的同时完成连续动作。与单纯复现预设动作相比，该方法提高了机器人根据实时感知信息生成和调整运动技能的能力。

三、行业影响：腿式机器人向高效、智能和持续作业发展

一是运动能效将成为衡量机器人实用价值的重要指标。 腿式机器人需要持续克服重力、维持平衡并驱动多个关节，能源消耗明显高于许多轮式移动设备。随着应用场景从短时展示转向长距离巡检和连续作业，单次充电续航、单位距离能耗和电机运行效率将直接影响机器人可执行的任务范围、有效工作时间和运营成本。未来机器人性能评价需要更加重视任务完成效率与能源消耗之间的平衡，推动高效电机、轻量化结构、能量回收和低损耗控制技术的进一步发展。

二是自主控制能力将从路径导航向复杂三维空间适应拓展。 传统导航系统主要解决机器人从起点到终点的路线选择，而腿式机器人需要同时考虑身体尺寸、关节活动范围和地形约束。视觉语言模型与全身控制技术融合，有望使机器人根据自然语言任务和实时环境信息，自主决定行进方向、身体姿态和避障动作，减少对预设路线及人工编程的依赖。随着相关能力提升，人形机器人在室内服务、工业设施和复杂建筑环境中的自主活动范围将进一步扩大。

三是软硬件协同优化将成为提升综合运动能力的重要路径。 腿式机器人的实际表现取决于机械结构、驱动系统、环境感知和控制算法之间的协同程度。强化学习可以优化运动策略，扩散模型能够生成适应不同环境的动作，但这些算法最终仍需通过执行机构完成稳定控制。未来技术竞争将更加重视算法与实体硬件的适配，以及仿真训练向真实环境迁移的效果。与此同时，复杂地形中的长时间运行、突发扰动处理和多任务连续执行仍需进一步验证，机器人运动能力的竞争将逐步从单项实验指标转向真实场景下的综合可靠性和持续作业能力。 

参考文献：

[1] Robotics: Robot runs a marathon[EB/OL].(2026-09-24). https://www.natureasia.com/en/info/press-releases/detail/9447.

[2] Lee, C., Youm, D., Park, J. et al. Aquadruped robot designed to complete a marathon on a single battery charge.Nature (2026). https://doi.org/10.1038/s41586-026-11102-5.

[3] Li A, Chen Y, Li Z, et al. TANGO:Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model[J]. arXiv preprint arXiv:2609.09158, 2026.

[4] Z. Zhang et al., "Learning Whole-Body Humanoid Locomotion via Motion Generation and Motion Tracking," in IEEE Robotics and Automation Letters, vol. 11, no. 9, pp. 10194-10201, Sept.2026, doi: 10.1109/LRA.2026.3710365.