仅用于站内搜索，没有排版格式，具体信息请跳转上方微信公众号内链接
整理|梦依丹
出品丨AI科技大本营（ID：rgznai100）
在刚刚过去的周末，大家或多或少地被一群机器人刷屏了吧。跌倒后“无头奔跑”的钢铁身躯、工作人员亦步亦趋地为机器人“降温”、以及略显“笨拙”却奋力迈动双腿的身影……
4月19日，全球首个的“人机共跑”半程马拉松在北京亦庄开跑，以其前所未有的形式和硬核的技术含量，瞬间引爆了科技圈和大众视野。让我们用一组数字，快速回顾这场充满未来感的“机械竞速”：
1场里程碑式的赛事：这是全球首个为“人形机器人”设立半程马拉松的赛事，标志着具身智能迈入一个全新的发展阶段；
21.0975公里的赛道：涵盖了平地、坡道、弯道等多种复杂地形，其中共设有6个左转道与8个右转道，转弯角度≥90°，是对机器人运动控制、环境感知和续航能力的全面考验；
18款国产机器人登场：天工Ultra、乐聚夸父、松延N2等来自清华大学、乐聚机器人、北京人形机器人创新中心等前沿机构与企业机型集体参赛；
25万次的精密关节运动（预估）：有专家在赛后总结中指出，单台机器人完赛所需完成的关节动作量级高达25万次，完赛难度可见一斑；
2小时40分24秒：天工Ultra机器人率先冲线，成为首个完成半马全程挑战的人形机器人；
“3”次电池更换：天工Ultra机器人在比赛过程中更换了3次电池，揭示了当前机器人续航能力和能源管理的重要性；
“无数”次的摔倒与站起：赛场上，机器人多次出现摔倒的情况，但它们展现出的“体育精神”——跌倒后努力重新站起。
这不仅是一场技术的比拼，更是一场“未来已来”的公众现场体验。
跌倒了，站起来，重启后，继续前行。每一位“选手”都带着自己独特的性格与技术路线登场。他们不是冷冰冰的机器，而是技术团队理想与工程能力的具象化身。
冠亚军巡礼：参数、亮点与技术初探
身高1.8米、体重55公斤的天工Ultra机器人率先冲过北京亦庄机器人半程马拉松终点线，夺得本次比赛的冠军。天工团队在赛后采访时提到，其机器人采用了“具身大小脑高效协同”的控制架构，能够在局部电机动作控制（小脑）和全身动态平衡与路径规划（大脑）之间实现高效切换与协作。这使其能够不断优化运动策略和环境适配能力，实现对全身关节的高精度协调控制，即使在长时间奔跑中也能保持平衡。
同时，“天工Ultra”采用大功率一体化关节和低惯量腿部结构，为其爆发性速度提供硬件基础；而轻量化设计、关节导热及风冷散热技术则保障了其持续奔跑的散热需求。
与“天工”相比，来自松延动力的N2旋风小子成为全赛场唯一一个全程无需人类陪跑、独立完成比赛的机器人选手。N2机器人身高1.2米，体重约30公斤，拥有18个自由度（单腿5个、单臂4个），关节扭矩达150N·m以上的优势很可能在于其扎实的动态运动控制技术、精巧的平衡控制系统、和仿生关节与自由度设计所构建的坚实底座。
在运动控制策略上，N2机器人巧妙融合了强化学习与动力学模型，采用“分步骤强化学习”先生成标准轨迹再优化连贯性。其核心动态平衡算法能以每秒数千次的计算实时调整步态，将时速10公里奔跑中的重心偏移控制在3厘米内。
自主性方面，N2机器人依赖多模态传感器融合，通过仿生足底传感器、激光雷达和视觉SLAM实现复杂地形导航，即使头部感知系统失效也能自主完赛，展现出强大的鲁棒性。其动态抗干扰算法则能应对外部突发干扰。针对续航，N2机器人采用“电池+换电”方案，以每5公里换电来保障21公里赛程，并通过优化电池管理减少停机时间。这些技术共同铸就了“松延动力N2”在本次机器人马拉松中展现出的稳定性和环境适应性，让穿着鞋子的“小个子”N2在马拉松上交出了一份满意的答卷。
机器人跑马拉松，到底在比什么？
这场看似简单的竞速，实则是一张对当前机器人技术水平的综合“考卷”。它不仅考验着机器人的“体能”，更检验着它们的“大脑”——运动控制、环境感知、导航、自主性和鲁棒性。
精准而稳定的运动控制：支撑机器人以接近人类的方式奔跑，并灵活适应地形起伏、姿态变化；
环境感知与精准导航：通过视觉、雷达、足底传感器等手段识别赛道、判断路线、躲避障碍，确保“认路不跑偏”；
自主决策与智能行为：让机器人在面对突发状况时，能够自主做出判断和决策；
坚固可靠的鲁棒性：保障机器人长时间稳定运行，避免因硬件或软件故障而“掉链子”
在这些“核心指标”之外，续航管理与轻量材料的工程优化也至关重要，它们决定了机器人能否真正完成这场耐力战。
然而，要让人形机器人具备这些能力，我们还有很长的路要走。正如在3月28日CSDN出品的“万有引力”之「十问具身智能：我们离通用机器人还有多远？」专家对谈直播中所提到，目前具身智能仍处于快速增长阶段，实现通用机器人还面临诸多挑战。那么，横亘在我们面前的，究竟有哪些必须翻越的“技术大山”呢？
1.数据瓶颈：“智能”的燃料从何而来？
深圳市人工智能与机器人研究院副研究员夏轩指出，“真实数据的采集只能线性增长，而模型训练的性能提升则遵循指数规律，数据的增长无法跟上项目性能的增长。”如何高效地获取高质量的训练数据，成为了制约具身智能发展的关键瓶颈。
2.计算瓶颈：算力能否支撑“智能”的运转？
“仅仅将大型模型的多模态感知能力赋予机器人，而没有进一步的智能增强，这并不构成真正的智能。”如何在有限的算力资源下，实现更高效的智能算法，是我们需要认真思考的问题。
3.模型架构：如何构建更强大的“大脑”？
现有的模型架构在具身智能领域仍然存在诸多局限性。例如，模型在处理复杂任务时，往往难以兼顾效率和精度；在面对新环境时，模型的泛化能力也会受到限制。专家们正在积极探索新的模型架构，例如结合快慢系统的分层决策模型，以提升机器人的智能水平。
诚如“万有引力”栏目所传递的观点，具身智能是一条充满挑战的道路，但同时也蕴藏着巨大的机遇。只有不断攻克技术难关，我们才能真正开启通用机器人的时代，让AI更好地服务于人类社会。
