Figure F.03自主爬梯：人形机器人动态平衡能力再突破

Figure.AI再放大招：F.03自主完成爬梯任务

人形机器人公司Figure.AI近日发布了一段引发广泛关注的演示视频，展示其最新一代机器人F.03在无人为干预的情况下自主攀爬梯子。这一动作看似简单，实则对机器人的平衡控制、多肢体协调与环境感知能力提出了极高要求，标志着人形机器人在复杂动态任务上的又一次实质性突破。

爬梯是人类日常与工业场景中极为常见却对机器人极具挑战的动作。它要求机器人不仅要保持全身动态平衡，还需精确协调四肢的抓握、蹬踏与重心转移，任何一个环节的误差都可能导致跌落。F.03能够自主完成这一任务，说明其在运动控制和实时感知层面已达到相当成熟的水平。

爬梯为何是人形机器人的核心难题

动态平衡的极限考验

与在平地上行走不同，爬梯过程中机器人的支撑点是不连续且离散的横档，重心需要在攀爬过程中持续沿垂直方向转移。这意味着机器人必须在极小的支撑面上维持全身稳定，同时还要抵抗因肢体运动产生的惯性扰动。传统基于预设轨迹的控制方法在这种高度动态、易受扰的场景下往往难以奏效。

在机器人学中，动态平衡问题通常用**零力矩点（ZMP, Zero Moment Point）**理论来分析。ZMP是指地面反作用力合力的作用点，当该点落在支撑多边形内时，机器人才能保持稳定。这一理论最早由南斯拉夫科学家Vukobratović在1968年提出，是日本本田ASIMO等早期人形机器人的核心控制基础，开创了双足行走控制的理论范式。然而ZMP方法假设机器人始终处于准静态或慢速动态运动中，且最初仅针对足部接触地面的场景设计。

爬梯时，支撑多边形极度缩小——仅为手掌接触面和脚掌接触横档的有限面积——且随着肢体交替运动而不断变化，使得ZMP控制变得异常困难。更关键的是，爬梯时手部也参与支撑，传统ZMP理论需要扩展为多接触点的广义稳定性准则——即在三维空间中同时考虑手部和足部的接触力锥约束，判断是否存在一组接触力能够平衡机器人的重力和惯性力。更进一步，由于爬梯涉及垂直方向的大幅重心位移，传统基于线性倒立摆模型的简化假设也不再适用，机器人需要处理完整的非线性多体动力学方程。

近年来研究者开始采用**全身动力学优化（Whole-Body Dynamics Optimization）**方法，将机器人视为多刚体系统（人形机器人通常拥有30-50个自由度），同时优化所有关节力矩以维持平衡，并通过二次规划（QP）或非线性规划（NLP）求解器在毫秒级时间内计算出最优控制指令。这类方法的计算复杂度随自由度增加呈多项式增长，实时求解通常依赖专用QP求解器如OSQP或qpOASES，这些求解器能在1-5毫秒内完成一次优化迭代，满足机器人高达1000Hz控制频率的要求。这比传统分层控制架构——即上层规划脚步、下层跟踪轨迹的解耦方式——更适合爬梯这类高度耦合的全身运动任务，因为在攀爬过程中手臂的抓握力、躯干的姿态调整和腿部的蹬踏力是相互依赖、不可分割的。

多肢体协调与精准力控

爬梯本质上是一个"四肢协作"的任务——双手负责抓握上方横档提供拉力，双脚负责蹬踏下方横档提供支撑。机器人必须实时判断每个接触点的受力情况，动态分配各关节的扭矩输出。这对末端执行器（手部）的抓握力控与足部的接触检测都提出了很高要求。

人形机器人的手部（末端执行器）设计是该领域最具挑战性的硬件问题之一。人手拥有27个自由度和约17000个触觉感受器，要在机器人上复现这种精密程度极为困难。爬梯时手部需要同时满足三个条件：足够大的握力以支撑全身重量、精确的力反馈以避免过度挤压或滑脱、以及足够的灵巧性以适应不同形状和直径的横档。当前主流的机器人灵巧手方案包括腱驱动（Tendon-driven）和直驱电机方案。腱驱动手通过远端电机拉动线缆实现手指弯曲，结构紧凑、重量轻，但由于线缆的弹性和摩擦，力控精度和响应速度较低，且线缆存在磨损寿命问题；直驱方案则将电机直接嵌入关节，力控响应快、精度高，但体积较大、指节粗壮，难以实现精细操作。F.03的手部需要在抓握力（通常需支撑自身重量的至少一半，以60-80kg的人形机器人计算，即约30-40kg的握持力）和感知精度之间取得平衡。

触觉传感器的集成至关重要——六维力/力矩传感器可以检测抓握时的切向滑动趋势，使控制器能在滑脱发生前及时增加握力，这种闭环力控对爬梯安全性至关重要。近年来触觉传感技术取得显著进展，基于视觉的触觉传感器（如MIT开发的GelSight系列）通过在透明弹性体下方嵌入微型摄像头，观察弹性体表面因接触产生的形变图案来推断接触力的空间分布，分辨率可达亚毫米级，能够感知表面纹理和微小凸起。此外，电子皮肤（e-skin）技术使用柔性压阻或压电材料覆盖机器人手指表面，实现大面积分布式触觉感知，让机器人像人类一样"感觉"到物体在手中的状态变化。这些技术对爬梯场景尤为重要——手指与横档之间的微观滑动可以被早期检测，为安全控制提供关键的数十毫秒预警时间，在手真正滑脱之前就触发握力增强的应急响应。

足部方面同样不容忽视。爬梯时脚掌与横档的接触面积远小于平地行走，机器人需要通过足底压力传感器或惯性测量单元（IMU）精确估计接触状态，判断脚是否已经稳定踩实，再决定是否将重心转移到该脚上。这种"确认接触-转移重心"的序列决策，任何一步的误判都可能导致失稳。

感知与决策的完整闭环

自主爬梯意味着机器人需要自行识别梯子的位置、横档间距，并规划出合理的攀爬序列，而非依赖人类遥控或预先编程的固定动作。这背后往往涉及视觉感知、状态估计与运动规划的完整闭环，是通用具身智能的重要体现。

**具身智能（Embodied Intelligence）**是人工智能领域的一个核心概念，最早可追溯至哲学家梅洛-庞蒂的身体现象学思想，强调智能体必须拥有物理身体并通过与真实环境的交互来获取知识、做出决策。与纯数字AI（如ChatGPT处理文本）不同，具身智能需要解决"感知-决策-执行"的完整闭环问题——机器人不仅要理解世界，还要在物理世界中采取行动并应对行动的后果。这意味着感知延迟、执行误差、环境不确定性等问题必须被纳入系统设计的核心考量。这一概念也与认知科学中的"4E认知"（Embodied具身、Embedded嵌入、Enacted生成、Extended延展）理论相呼应——认知不仅发生在大脑中，更是身体与环境交互的产物。

2023年以来，随着大型语言模型（LLM）和视觉-语言模型（VLM，如GPT-4V、Gemini等）的进步，研究者开始探索将这些模型作为机器人的"大脑"，负责高层任务理解和规划。例如，面对"爬上这架梯子检查屋顶"这样的自然语言指令，VLM可以理解意图、识别梯子位置、规划接近路径，再由底层运动控制器（通常是强化学习策略或模型预测控制器）执行具体的肢体动作。这种**"大模型+运动控制"的分层架构**被视为通向通用具身智能的有力路径，上层负责"做什么"，下层负责"怎么做"。Figure.AI在2024年与OpenAI的合作正是这一方向的探索——他们展示的机器人能够在对话中理解人类指令，自主完成物品分拣等任务，目标是让机器人不仅能完成预设动作，还能理解复杂场景语义并在未见过的环境中自主决策。

对于爬梯这一具体任务而言，感知系统需要通过深度相机或激光雷达获取梯子的三维点云，从中提取横档的精确位置、间距和倾斜角度，同时估计梯子的材质和稳固程度。这些信息被传递给运动规划模块，生成一个可行的四肢落点序列（类似于攀岩运动员的路线规划），再交由底层控制器逐步执行并根据实时传感反馈进行修正。值得注意的是，这种"感知-规划-执行"的流程并非单向瀑布式，而是一个持续运行的反馈环路：每当传感器检测到预期与现实的偏差（如横档位置比预计偏移了2厘米），系统需要在毫秒级时间内重新规划并调整动作，这种实时反应能力是自主系统区别于预编程系统的本质差异。

F.03背后的技术演进路径

Figure.AI自成立以来一直以快速迭代著称，从早期的Figure 01到如今的F.03，机器人的运动能力与智能化程度持续提升。此前该公司已展示过机器人执行仓储搬运、家庭场景操作等任务，并与OpenAI等展开过合作，探索将大模型的推理能力注入机器人的操作决策。

爬梯这类任务的实现，通常得益于近年来**强化学习（Reinforcement Learning, RL）与仿真到现实（Sim-to-Real）**训练范式的成熟。强化学习是一种让智能体通过与环境交互、根据奖励信号自我优化策略的机器学习方法——不同于监督学习需要人工标注的"正确答案"，RL让机器人自己通过反复尝试发现什么动作序列能获得最高累积奖励。其数学框架基于马尔可夫决策过程（MDP），核心目标是找到一个策略函数π(a|s)，使得从任意状态出发的期望累积折扣奖励最大化。在运动控制领域，状态s通常包括机器人所有关节的角度、角速度、身体姿态、接触力信息等（可达数百维），动作a则是各关节的力矩或位置指令。

奖励函数的设计是强化学习应用于机器人控制的核心艺术，也被业界称为"奖励工程"（Reward Engineering）。对于爬梯任务，奖励可能包括"手成功抓住更高横档+正奖励"、"身体重心上升+正奖励"、"跌落+大额负奖励"等多项组合，引导策略网络（通常是多层感知机或Transformer架构的神经网络）学会复杂的协调运动。过于稀疏的奖励（如仅在成功到达顶部时给予奖励）会导致探索困难，策略可能在数百万步尝试中都无法获得任何正反馈而陷入随机行为；过于密集的奖励则可能引入设计者的偏见，限制策略发现更高效的创新解（例如设计者可能假设必须右手先抓，但最优策略可能是左手先抓）。

为解决这一难题，近年来出现了**课程学习（Curriculum Learning）**方法——先让机器人学习爬一级台阶，逐步增加高度和难度直至完整梯子，每个阶段的成功为下一阶段提供良好的初始策略。此外，基于人类偏好的奖励学习（类似于大语言模型训练中RLHF的思路在机器人领域的变体）也在兴起——让人类观看机器人运动片段并标注哪个动作更"自然"或"稳定"，由此通过偏好模型自动学习隐式奖励函数，避免手工设计奖励的繁琐和偏差。

由于真实硬件试错成本高（一次跌落可能损坏价值数十万美元的机器人）、效率低（实时运行），研究者通常先在物理仿真器中训练策略。主流仿真平台包括NVIDIA Isaac Gym（支持GPU大规模并行仿真，利用NVIDIA的CUDA并行计算能力在单张GPU上同时模拟数千个机器人环境）、MuJoCo（由Emanuel Todorov开发、现由DeepMind维护，以接触力学的精度和高效的自动微分能力著称）、以及Isaac Lab等。这些仿真器能够以数千倍于实时的速度并行运行数千个机器人实例，让算法在数小时内积累相当于数十年的运动经验——例如，在4096个并行环境中训练一个爬梯策略，仅需几小时GPU计算就能完成数亿步交互。

Sim-to-Real迁移的核心挑战在于仿真与现实之间的**"域差距"（Domain Gap）**：仿真中的接触力学是近似计算的（现实中的摩擦、形变远比数学模型复杂——例如手指肉垫的粘弹性变形在标准刚体仿真中几乎无法准确模拟）、传感器噪声模式不同（仿真中通常是高斯噪声，现实中可能有结构化偏差，如深度相机在反光表面的系统性失效）、执行器的响应延迟和非线性（如电机在高负载下的热效应导致扭矩输出随温度变化）在仿真中也难以完美建模。

为此，研究者发展出域随机化（Domain Randomization）技术——在训练时随机化物理参数（如摩擦系数在0.3-1.0之间随机、机器人各链节质量在标称值±15%内波动、控制指令延迟在0-40ms之间随机等），迫使策略学会对不确定性的鲁棒应对。这种方法的直觉类似于：一个在各种极端条件下都能爬好的策略，在面对真实世界（只是诸多随机化条件中的一种特定实现）时自然也能有效工作。该方法的理论基础与机器学习中的正则化思想一致——通过增加训练难度来提升泛化能力。此外，近年来还出现了系统辨识（System Identification）与自适应方法的结合——先用少量真实数据（通常只需数十分钟的真机运行数据）校准仿真参数，将仿真中的物理参数调整到与真实系统尽可能匹配，再在校准后的仿真中精细化训练——这进一步缩小了域差距，代表了Sim-to-Real技术的最新发展方向。

自主爬梯能力的实际价值

通向工业巡检与救援场景

爬梯能力的价值远不止于演示炫技。在工业巡检、建筑施工、消防救援等领域，梯子和垂直通道无处不在。以石化工厂为例，大量管道、储罐和设备需要定期巡检，巡检人员经常需要攀爬数十米高的固定梯或直梯到达检查点，高空作业风险极高（据统计，高空坠落是工业事故致死的第二大原因）。同样，在地震、火灾等灾害救援场景中，救援人员常需通过梯子进入倒塌建筑的不同楼层。一台能够自主爬梯的人形机器人，理论上可以进入许多目前只能由人类进入的高危垂直空间，替代人力完成危险作业。

此外，之所以强调"人形"的价值，核心原因在于人类建造的基础设施——梯子、门把手、工具、车辆——都是为人体形态设计的。一个具有双手双脚的人形机器人无需改造现有环境即可使用这些设施，这比为机器人定制特殊设备的成本要低得多。爬梯能力正是人形机器人"适配人类环境"这一核心优势的有力证明。这也解释了为什么尽管轮式或四足机器人在平地上的运动效率远高于双足机器人，行业仍在大力投入人形方案——因为只有人形才能无缝融入为人类设计的数万亿美元存量基础设施中。

通用人形机器人竞赛持续升温

Figure.AI的这次演示也再度点燃了人形机器人赛道的竞争氛围。截至2025年，全球人形机器人赛道已形成多极竞争态势：

• **特斯拉Optimus（擎天柱）**凭借其在电机设计、电池技术和AI训练芯片（Dojo）方面的垂直整合能力持续快速迭代，马斯克多次表示Optimus的长期价值可能超过特斯拉汽车业务本身；
• 波士顿动力在2024年正式推出了全电驱版Atlas，告别了其标志性的液压驱动方案——液压系统虽然功率密度高（单位重量可输出的力是电机的3-5倍），但存在漏油、维护复杂、噪声大、能效低等商业化障碍，转向电机驱动意味着波士顿动力从"技术展示"正式转向"商业落地"；
• 中国方面，宇树科技（Unitree）以极高的性价比和开源策略快速获取市场关注，智元机器人（AgiBot）背靠上海AI Lab的算法能力，小鹏铁（PX5）借助小鹏汽车的制造供应链优势，傅利叶智能（Fourier）则聚焦康复和服务场景，各有差异化路径；
• 日本的丰田、本田，韩国的现代（通过波士顿动力），以及众多初创公司如1X Technologies（挪威，获得OpenAI投资）、Apptronik（与NASA合作开发）等也在积极布局。

行业普遍预计，人形机器人的第一批规模化应用场景将集中在工厂物流搬运和结构化环境作业——如汽车工厂的零件搬运、仓库的货物分拣等，这些场景环境相对可控、任务重复性高。而爬梯、攀爬、跨越障碍等非结构化能力的突破则为其进入建筑工地、灾害现场、家庭服务等更广泛的应用场景奠定基础。据高盛、摩根士丹利等机构预测，到2035年全球人形机器人市场规模可能达到380亿美元以上，远期潜力甚至可能超过智能手机市场。

从演示到落地仍需理性看待

需要注意的是，官方演示视频往往展示的是最理想条件下的结果。真实世界中的梯子材质（金属、木质、玻璃钢）、表面状态（干燥、湿滑、结冰、生锈）、光照条件（强逆光、黑暗、闪烁灯光）、横档磨损或变形等因素都会带来额外挑战。此外，演示通常经过多次拍摄选取最佳片段，成功率信息往往不公开。

从工程落地的角度看，一个合格的工业级爬梯系统至少需要满足以下条件：在各种环境条件下的成功率接近100%（因为即使1%的失败率在高空场景也意味着灾难性后果）、能够处理异常情况（如横档突然断裂、梯子滑动）时的安全回退策略、长时间运行的可靠性和关节耐久性、以及符合工业安全标准的认证。

从"能在演示中爬梯"到"能在任意环境中稳定可靠地爬梯"，仍有相当长的工程化道路要走。这也是所有机器人演示都应保持审慎乐观的原因——技术可行性的验证与商业化就绪之间通常还隔着3-5年甚至更长的工程打磨。**技术成熟度等级（Technology Readiness Level, TRL）**是评估这一差距的标准框架，由NASA在1970年代开发，将技术从基础原理研究（TRL 1）到通过实际运营环境完整验证的成熟系统（TRL 9）分为九个等级。实验室中的成功演示通常对应TRL 4-5（在相关环境中验证组件或子系统），而一个可以商业部署的产品需要达到TRL 8-9（通过全部测试和认证、在真实运营环境中被验证可靠）。人形机器人爬梯演示大致处于TRL 5-6阶段，距离工业部署（TRL 8+）仍需系统性地解决环境适应性测试、长期可靠性验证（数万次重复爬梯不出故障）、安全认证（如ISO/TS 15066协同机器人安全标准的扩展适用）和成本控制等关键问题。

结语

F.03自主爬梯的演示，是人形机器人在动态平衡与多肢体协调能力上的一次有力证明。它不仅展现了Figure.AI快速迭代的技术实力，也预示着人形机器人正逐步具备进入复杂现实环境的能力。尽管从演示到规模化应用仍需跨越诸多门槛，但可以确定的是，人形机器人的能力边界正在以肉眼可见的速度不断扩展。未来它们能爬多高、走多远，值得持续关注。