恩智浦分析移动机器人的演进路径

机器人技术一直是人类科技关注的焦点。尽管科幻文学中早期对机器人的描绘多为类人生物形态 (如卡雷尔·恰佩克、艾萨克·阿西莫夫、E.T.A.霍夫曼笔下的经典(diǎn)形象)，但1961年应用于汽车制造业的首台机械臂Unimate却是极为简化的工业设备。

经过计算机设计、控制理论、电机工程及传感技术的多年发展，机器人逐渐(jiàn)具(jù)备(bèi)导航、交互与协作能力，能够完成更复杂的任务。如今，具身人工智能正成为新一代高机动性机器人的核心技术特征。构建日益复杂的机器人系统的三大核心要素包括：

机器人运动控制机

日益复杂环境下的感知与导航

适用新任务的模块化与灵活性 (沟通、设计等)

本文摘录自恩智浦《从固定机械臂到人形机器人: 移动机器人的演进历程》白皮书，欢迎下载并阅读完整版本。

以机器人演进脉络为主线，探讨机器人技术的前沿进展与挑战，请点击下载>>

复杂性演进路径

以运动方式为分类维度，现代机器人可划分为几种不同类别，与操作机器人所需的控制与指令系统的复杂性形成显著的对应关系。随着各类技术的不断发展与完善，复杂性逐渐变得可控，其演进过程也可视为一部简明的机器人发展史。

图：以运动方式为分类维度，现代机器人可划分为几种不同类别，与(yǔ)操(cāo)作(zuò)机(jī)器(qì)人(rén)所(suǒ)需(xū)的(de)控(kòng)制(zhì)与(yǔ)指(zhǐ)令(lìng)系(xì)统(tǒng)的(de)复(fù)杂(zá)性(xìng)形(xíng)成(chéng)显(xiǎn)著(zhe)的(de)对(duì)应(yīng)关系(xì)。

机(jī)器(qì)人(rén)最(zuì)简(jiǎn)单(dān)的(de)形(xíng)式(shì)可(kě)能(néng)是(shì)一(yī)个(gè)三(sān)轴(zhóu)固(gù)定(dìng)机(jī)械(xiè)臂(bì)或(huò)龙门起重机，用于将物品或工具搬运至工作空间内的特定位置。更为复杂的固定机器人通常采用“机械臂”结构，由5至7个依次相连的驱动关节构成，末端配有工具或夹具。这类机械臂已广泛应用于装配、取放、焊接、检验等工业领域。机械臂的运动轨迹在空间内的指定点之间预先规划与计算，由中央电机控制系统根据位置/扭矩曲线调度关节电机，将工具移至指定位置。

计算、电机控制与传感技术的(de)最(zuì)新(xīn)进(jìn)展(zhǎn)，逐渐打破传统的集中式结构与僵化的调度，更轻量化的机器人能够在工作空间内灵活地操控工具或夹具。目前，这些系统采用由中央运动规划器引导的分布式电机控制系统。

需留意的是，路径规划、运动控制与电机控制是三个区别明显的概念：

路径规划是从工作空间层面考量任务，确定机器人需将工具 (或自身) 移动至何处，以完成指定任(rèn)务。

运动控制将机器人在操作空间内的姿态与位置视作其关节位置的函数。为实现路径规划器要求的目标姿态，运动控制会计算电机所需执行的动作。

电机控制负责实时指令下达与状态监测，执行由运动控制系统计算出的动作指令。

需要指出的是，前文提到的所有系统 (机械臂、AMR和漫游车) 在设计上本身就具备稳定性——即使断电或运动控制功能失效，系统也会自动进入安全、稳定的静止状态。然而，随着嵌入式计算能力的提升，工(gōng)程(chéng)师(shī)开(kāi)始(shǐ)突(tū)破固有稳定性的限制。在研发多旋翼无人机时，工程师成功地让本质上不稳定的系统实现了稳定。

这一成果得益于对原本独立的运动控制与电机控制系统的深度整合。运动控制成为维持特定位置与姿态所必需的实时关键功能。一旦运动控制回路中断，无人机将立刻坠落。由于功耗与重量的限制，路径规划等更高层级的功能在早期通常由人工操作完成，例如通过遥控器下达“以特定速度向前移动”等一般性运动指令。

为了稳定控制这些运动链，需要位置编码器、电机、惯性测量单元 (IMU)、陀螺仪和计算元件等所有相关组件之间实现低时延通信。此外，还需以低时延执行复杂的全身运动与电机控制算法，而这一能力的实现得益于机载计算能力的显著提升。

更为复杂的是，这些系统被设计用于应对具有挑战性的环境——毕竟，在平坦的仓库或医院地面，简单轮式结构已足够应对移动需求。腿部结构只有在轮式方案不再适用时才显现其价值，因此在运动规划中必须考虑环境因素 (例如，确定机器人每只脚落下的位置)。由于系统处于动态运动且本身不具备稳(wěn)定(dìng)性(xìng)，运(yùn)动(dòng)规(guī)划(huà)必(bì)须(xū)以(yǐ)极(jí)低(dī)延(yán)迟(chí)执(zhí)行(xíng)，确(què)保(bǎo)每(měi)只(zhǐ)脚(jiǎo)都(dōu)能(néng)及(jí)时(shí)落(luò)在(zài)符(fú)合(hé)更(gèng)高(gāo)层(céng)级(jí) 导(dǎo)航(háng)要(yào)求(qiú)的(de)合(hé)适(shì)位(wèi)置(zhì)。

当(dāng)前许多腿足机器人仍通过“踩踏式”腿部运动规避这一挑战，这种模式在多数平坦地面场景中有效。但未来技术突破的关键在于开发近实时的运动规划器，以支撑复杂的运动与电机控制系统。

尽管仍面临诸多挑战，人形机器人如今已具备在林间小道上以双足行走的能力。然而，要实现人形机器人的完整构想，手臂部分也必须纳入考量。目前，许多演示系统聚焦于展现复杂的身体运动，以营造视觉上的强烈冲击。在这些系统中，手臂作为辅助元件集成至全身运动规划与执行框架中，力求达到实时协同。这一设计显著增加了计算复杂性，因为在腿部沿预定路径行走 (或完成复杂的跳(tiào)跃(yuè)动(dòng)作(zuò)) 时(shí)，手(shǒu)臂(bì)需(xū)要(yào)辅(fǔ)助(zhù)维(wéi)持(chí)平(píng)衡(héng)。

目(mù)前(qián)研(yán)究(jiū)与(yǔ)创(chuàng)新(xīn)的(de)前(qián)沿(yán)在(zài)于(yú)赋(fù)予(yǔ)人(rén)形机器人多物体交互能力，比如搬运不同重量的物品、使用手持工具对静止甚至动态的物体施力，以及转动头部捕捉全景与细节。上半身执行的动作必须(xū)通(tōng)过全身运动与控制保持平衡。由于手臂上的接触力在任务过程中不断变化，为了维持整体平衡，运动规划系统必须与实时控制回路深度融合，以适应任务执行中动态变化的运动约束。

运动规划越来越依赖AI模型，具身人工智能正深刻影响系统设计，AI逐步成为保障系统稳定与平衡的核心部分。因此，对AI可靠性与实时性能的要求也变得至关重要。

机器人研发企业倾向于将关键计算任务集中于单一中央计算平台，同时通过嵌入机器人四肢与关节驱动器的微控制器 (MCU) 来执行单关节位置控制。这种架构既满足运动规划与控制的无缝集成需求，也便于在持续的快速迭代过程中只需更新一个计算平台。

尽管人形机器人备受关注，但从经济实用性出发，轮式或多足结构仍然是主流地面移动机器人方案。

▲表1：各类移动机器人原型的控制要求

地点导航与任务执行

目前，大多数轮式移动机器人的导航主要依赖于两类传感器。第一种是激光扫描仪，既能生成机器人周围水平地面的二维地图，又能触发关键的功能安全机制。第二种是摄像头，在有限的视野 (FOV) 内收集重要信息，比如用于标识位置或待取货物的二维码。

激光扫描仪和摄像头的数据会被输入到负责环境建图和导航的计算模块中。这个过程的第一阶段通常称为SLAM，可以通过全球或本地定位系统 (如GPS、蓝牙标签、墙上的二维码) 提供的数据进行增强，并结合已有信息 (如仓库地图) 进一步提升精度。

生成的地图随后用于规划通往环境中特定位置的路径，同时考虑其他机器人或箱子等临时障碍物。这个阶段称为导航，其复杂程度取决于作业区域的大小、其他车辆或人员的数量和速度，以及作用于机器人的操作限制等因素。

随着机器人进入餐厅、医院或城市街道等复杂、不可控的环境，对额外传感器和相关计算能力的需求会迅速增加。这正是机器人自20世纪60年代起最初被部署在受控环境中的一个关键原因。直到半导体技术和低功耗嵌入式计算方案取得突破，机器人技术才得以进入更广泛的应用领域。

在工业、商业和家庭环境中，自主机器人操作的出发点是自动识别物体及其在机器人工作空间中的位置。这种能力源自于固定机械臂相对简单的料箱拾取操作，就在几年前，这还被视为一项重大挑战；而如今，这对于非结构化环境中的自主任务来说必不可少。

当前仍面临两大挑战：首先是检测和识别物体本身， 其次是制定有效的抓取或与交互策略。现有解决方案虽然可行，但需要强大的算力，并且通常采用多个AI模型来处理物体检测、分类、跟踪和3D模型生成等子任务。

另(lìng)一(yī)个(gè)常(cháng)见(jiàn)的(de)挑(tiāo)战(zhàn)是如何实现机器人感知自身位置和周围环境的传感器的同步和低时延。这对于飞行或腿足机器人尤其重要，因为视觉数据必须与来自陀螺仪和惯性测量单元 (IMU) 的输入相匹配。传感器的有效同步对于保持准确的态势感知和地图绘制至关重要。

应对新任务的复杂性

随着机器人不再局限于高度专业化领域，它们需要具备与日益复杂的环境进行交互的能力。在最初阶段，这一转(zhuǎn)变(biàn)体(tǐ)现(xiàn)在(zài)固(gù)定(dìng)机(jī)械臂实现与工业现场总线系统的互操作性。起初，单个信号与传感器直接连接至机械臂控制器。但很快，厂商开始将机器人集成至总线系统，使其能够胜任更加复杂的工业装配或焊接任务。互操作性让机器人厂商吸引更广泛的客户群体，稳步降低成本并推动机器人应用的普及。

同样，如今用于厂内物流的移动机器人通过无线网络 (通常使用Wi-Fi或LTE) 实现连接。对于大规模部署，多数厂商倾向于采用自定义机群管理协议，对接仓库管理系统 (WMS) 或制造执行系统 (MES)。尽管已有尝试通过ROS2和MQTT等框架对机群编排进行标准化，但这些标准在实际应用中能否广泛落地仍未可知。

当移动机器人在工厂和仓库的预设环境之外运转、跳跃或飞行时，连接再次成为挑战。家用和酒店服务机器人预计将依赖本地连接基础设施 (大概率是Wi-Fi，家用场景或许会扩展使用Matter协议)。与此同时，远程漫游机器人将需要全新的连接解决方案。

当机器人在与人类共享的空间中运行时，人机交互 (HMI) 的重要性日益凸显。面临的挑战包括:本地语音与视觉处理、任务场景中的手势解读 (比如，指向需搬运的箱子或需避开的路径)，以及权限判定 (明确究竟由人类还是机器人来发出指令)。

结论和行动倡议

本白皮书所阐述的内容，仅代表近年来推动人形机器人快速发展的技术基础中的一小部分。本文作者对快速演进的移动机器人满怀热忱，而人形机器人只是其中的一种表现形式。希望读者能关注以下(xià)几(jǐ)个(gè)补(bǔ)充(chōng)要(yào)点(diǎn)和(hé)尚(shàng)待(dài)探(tàn)讨(tǎo)的(de)问(wèn)题(tí)：

1当(dāng)前(qián)对(duì)人(rén)形(xíng)机(jī)器(qì)人(rén)应(yīng)用(yòng)的(de)预(yù)测(cè)主要(yào)集中(zhōng)在(zài)车(chē)间(jiān)场(chǎng)景(jǐng)。如(rú)前(qián)文所(suǒ)述(shù)，腿(tuǐ)部(bù)结(jié)构(gòu)仅(jǐn)在(zài)轮(lún)式(shì)机(jī)器(qì)人(rén)无(wú)法(fǎ)高(gāo)效(xiào)运(yùn)作(zuò)的(de)环(huán)境(jìng)中(zhōng)才(cái)具(jù)备(bèi)实(shí)用(yòng)价(jià)值。多数有足够预算引入人形机器人的现代工厂，已针对轮式机器人的顺畅运作进行了优化。因此，以人为中心的环境，如医院、家庭和餐厅，很可能成为人形机器人最先落地的场所。

2尽管人形机器人常被视作机器人进化的巅峰形态，但在许多应用场景中，双足原型并不具备优势。开发多样化的机器人设计组(zǔ)合(hé)，灵(líng)活(huó)适(shì)配(pèi)不(bù)同(tóng)形(xíng)态(tài)与(yǔ)应(yīng)用(yòng)场(chǎng)景(jǐng)，对(duì)于(yú)最(zuì)大(dà)化(huà)实(shí)用(yòng)价(jià)值(zhí)与(yǔ)推广应用至关重要。

3人们很容易将腿足机器人和人形机器人看作是“直立版” 的软件定义汽车 (SDV)。然而，这些机器人中的控制回路集成远比当前汽车所采用的系统复杂得多。维持平衡依赖于多个运动链，导致管理这些系统的难度大幅提升。尽管车辆架构的某些部分有望在机器人设计中复用，但设计者需关注新兴机器人架构中的结构性差异。

恩智浦深知下一波机器人创新浪潮是先进计算、传感、连接与AI融合的产物。人形机器人和自主系统不再受限于想象，而是推动着我们不断突破技术集成与适应性的边界。随着这些机器人在非结构化环境中的(de)导(dǎo)航(háng)能(néng)力(lì)增(zēng)强(qiáng)，能(néng)够(gòu)更(gèng)高(gāo)效(xiào)地(de)与(yǔ)人(rén)类(lèi)互(hù)动(dòng)，并(bìng)胜(shèng)任(rèn)多(duō)样(yàng)化(huà)的(de)任(rèn)务(wu)，我(wǒ)们(men)必(bì)须(xū)主动(dòng)推(tuī)动(dòng)这(zhè)一(yī)进(jìn)程(chéng)，让(ràng)这(zhè)个未来既触手可及又可持续发展。

我们致力于提供基础技术，包括高性能半导体、高能效处理和先进的连接解决方案，赋能机器人工程师打造多功能、可靠且安全的系统，塑造未来世界。这不仅关乎技术本身，更是为了实现一个由机器人提升人类生活品质、保障安全、重塑行业并应对全球挑战的未来。

为加速实现这一愿景，我们诚邀广大合作伙伴、研究人员与创新者携手合作。无论您正在设计下一代自主机器人、研究AI驱动的运动规划，还是探索机器人在以人为中心的环境中的新应用场景，恩智浦都已准备好为您的探索之旅提供支持。

欢迎访问nxp.com.cn/MobileRobotics或联系我们的机器人团队，了解恩智浦如何助力将创意转化为突破性解决方案。

本文作者

Nicolas Lehment任职于恩智浦首席技术官 (CTO) 团队，负责协调研究活动，并针对工业、 家用及商业应用场景中的机器人技术、机器学习/人工智能 (ML/AI)、功能安全及连接性等战略议题提供技术指导。加入恩智浦前，他曾为ABB和Smartray设计尖端计算机视觉与机器人系统。其研究成果覆盖ML驱动的视频分类、人体姿态跟踪及协作机器人等领域，并因此获得慕尼黑工业大学博士学位。