40年机器人从业老兵警告：人形机器人设计过度依赖仿真器

2026年06月24日 17:05

本文共计4194个字，预计阅读时长14分钟。

来源/具身研习社责编/LehuoChufang 乐活厨房

人形机器人行业正出现一种吊诡现象：在技术实现层面，这些机器人尚未掌握稳定行走与长距离移动的核心能力，然而其设计与开发流程却已先行一步，表现出对仿真环境的过度依赖。

为了确保仿真系统能够顺畅运行，并使得强化学习过程更加平滑，一些原本在机械性能上具备优势的结构，正被有意地移除。并联关节、线性驱动、远程传动以及肌腱式手部结构，这些本应作为工程师用于提升性能的关键手段，如今由于仿真过程中的复杂性，已被排除在考虑范围之外。

一个日益尖锐的问题浮现出来：我们究竟是在致力于构建性能更优越的机器人，还是在构建一个对仿真环境高度适配的机器人？

近期，拥有四十余年机器人领域实践经验的工程专家、RoboStrategy机器人投资研究总监Scott Walter，针对当前人形机器人的设计方向提出了一个值得深思的问题：「为什么人形机器人的设计正在变得S.T.U.P.P.I.D.？」

该缩写即为S.T.U.P.P.I.D.，全称为Simulation Throttled Underperforming Product Integration Design，其中文含义可理解为被仿真器制约的低效产品集成设计。

他随后以第一人称的视角，对产生这一感触的原因进行了详细阐述：

工程师群体向来倾向于应用 DFx 系列设计原则，例如 DFM 指的是面向制造的设计，DFA 指的是面向装配的设计，DFQ 指的是面向质量的设计。每一种 DFx 原则实质上都在探讨一个核心问题：为了有效服务下游约束条件，设计应当进行怎样的调整与优化？

去年年初，NVIDIA的Jim Fan博士提出了DFS这一理念，也就是面向仿真的设计。他对此给出了一个相当直接的判断：如果某个人形机器人的技术栈无法在仿真环境中得到验证，那么依赖于强化学习的开发路径可能就难以走通。

用 Jim Fan 自己的话来说：「稳健的硬件与电机设计，应当将仿真视作一等公民来对待……」他进一步阐释道：「过去，仿真往往是在设计流程的后期才被纳入考量的环节。而如今，它必须从一开始就成为硬件设计流程的有机组成部分。如果机器人在仿真环境中的表现无法达到预期，那么基于强化学习的训练方法基本上就难以取得成效。硬件与仿真的协同设计，是一个极具前景的新兴研究方向，并且只有在当前算力水平的支撑下，才真正具备了落地实现的条件。」

上述判断具有其合理性。仿真技术本身确实具有相当高的复杂性，而仿真与现实之间的差距（Sim2real gap）也确实是一个亟待解决的挑战。当前，领先的研究团队若要对人形机器人进行大规模的策略训练，其核心手段之一便是将物理仿真系统的运行速度提升至远快于真实时间的水平（通常达到数个数量级），随后在数百万个多样化的虚拟环境中，广泛实施域随机化策略。

问题实际上出现在另一个层面。当DFS仅作为训练阶段的原则来运用时，其合理性是可以成立的；然而一旦将其上升为硬件设计层面的指导准则，便会产生潜在的负面影响。值得注意的是，这种设计倾向在当前的研究实践中正变得愈发普遍。

并联关节机构在机械层面原本具备显著优势：其结构紧凑，能够有效分担扭矩，整体性能表现也更为出色。然而在当前的开发实践中，这类机构正被逐步排除在设计方案之外，根本原因仅在于其仿真建模过程过于复杂。旋转执行器如今正逐步取代线性驱动方案，驱动这一转变的并非性能层面的优越性，而是建模仿真的便利性考量。远程驱动方案同样面临类似的境遇，在产品设计中的应用频率持续下降。串联运动链结构之所以能够在竞争中占据优势，其决定性因素并非机械性能方面的价值，而仅仅是因为这类结构更容易被仿真系统所处理。这种以仿真便利性为导向的设计取向，已经与追求性能最优的设计初衷产生了明显偏离。

这就是 S.T.U.P.P.I.D.。

在机器人与仿真工程领域从事研发工作四十余年间，曾有一次印象深刻的经历。早年在一个工业机器人OEM厂商的聚会上，提出过一个看似天真的建议：是否可以将机器人设计相对简化，以降低仿真的复杂度？在场工程师们以笑声作为回应。事后反思，这一反应恰恰指出了问题的本质所在——真正需要改进的是仿真团队自身的技术能力。正因如此，仿真器最终得到了显著的优化与提升。

仿真的定位应当是服务于设计过程的。它的一项核心功能在于，能够为工程师提供一个有效的工具，用以探索潜在的设计可能性空间，并支持团队在实际制造启动前，对设计构想进行验证，从而更快地逼近更优的方案。如果这种主从关系发生倒置，那么受到限制的就不仅仅是个体的设计选择自由，整个设计工作的质量与水准都将随之受到负面影响。

技术层面更深层的症结，实质上指向实现能力的不足。对完整的人形机器人技术栈进行仿真建模，其复杂程度确实相当高。这涉及到对执行器动力学特性的准确刻画、运动学模型的精确建立、系统内反射惯量的正确表征，以及系统辨识工作的高度准确化。这类问题的本质并非数学层面的挑战。相关的方法论框架本身是已知的。

真正棘手的挑战在于计算成本：为了将这些要素准确计算，计算成本会变得极高。因此，许多团队都开始采取捷径策略。

惯量参数的确定往往依赖于粗略的估算，重心数据则需要通过后续的调整来修正，对于反射惯量的建模方法缺乏明确方案时，甚至会采取主观臆测的方式进行处理。域随机化技术在此情境下，被当作用来勉强固定不稳定系统的临时手段。随后，出现了最为悖理的环节：团队并未致力于修正仿真模型本身，而是反过来调整真实的机器人硬件，以使其适配这些仿真环节中采取的捷径。

工程师们对sim2real gap存在过度顾虑，由此开始倾向于让现实硬件去适配仿真环境的设定，而非推动仿真能力来追赶现实情况。相关实例已经清晰地展现出来：部分智能电机控制器正在主动限制电机的输出功率，使系统响应更趋线性，以便与仿真环境保持一致。

Unitree最新推出的H2型号，对G1机器人上经典的RSU并联踝关节进行了结构上的调整，将其从并联构型改为串联结构，此举旨在使其能够更好地适配强化学习训练的需求。值得注意的是，他们并非首个采取这类设计变更的团队。与此同时，在手部设计领域，也有开发团队开始放弃传统的肌腱驱动结构，转而选择直接驱动方案，这同样是因为后者的形态更易于在仿真环境中进行建模。上述两种情况都表明，硬件设计的方向正在受到仿真工具便利性的主导，而非出于对性能本身的追求，这种优先级的错位构成了一种本末倒置。

工程师始终面对着不完美的模型，这是常态。清楚模型在极端工况下会失效，因此在设计阶段通过策略性规避来应对。然而，明确接受仿真能力的边界，与将设计主导权让渡给仿真器，两者存在本质区别。

KISS原则，也就是Keep It Simple, Stupid，本质上体现了工程领域的一种核心智慧。当设计足够优雅、足够简洁时，它本身便会带来便于仿真的优势，这无疑是一种理想的结果，属于系统设计过程中自然涌现的附加价值。然而，如果仅仅因为仿真团队无法应对复杂性，便主动舍弃机械层面固有的优势，那么所遵循的就不再是KISS原则，而是S.T.U.P.P.I.D.原则。

仿真本质上属于工具范畴，产品才是最终的交付对象。仿真应当服务于设计过程，而非反过来对设计方向形成主导与制约。

为了使结构分析软件得到满足而去进行桥梁设计，这种做法并不可取。工程师运用软件工具的目的，在于借助其验证能力，确保所设计的桥梁结构具备足够的可靠性与安全性。

人形机器人也是同样的逻辑。

仿真在设计流程中所扮演的角色，应当是对设计可能性空间进行探索，对设计假设进行压力测试，并最终帮助团队更高效地实现性能更优的硬件产出。若仿真工具本身异化为设计所服务的目标，那么其角色便不再局限于工程支持范畴，转而演变为一种异化的状态。

最优的人形机器人设计，应当以机器人本身的实际需求作为出发点，而非以仿真器的处理能力作为设计依据。

Scott关于人形机器人行业的判断在行业内引起了广泛共鸣。作为机器人与人工智能领域的研究科学家以及Agility Robotics AI创新负责人的Chris Paxton，明确指出了一个日益显著的发展趋势：部分研发人员在设计人形机器人时，倾向于将如何让英伟达开源的统一模块化机器人学习框架Isaac Lab实现更便捷的仿真与控制，作为优先考量，反而忽略了去改进仿真器本身，或着手解决仿真器底层的核心问题或其他技术挑战。

更为值得关注的是，这一问题其实由来已久。Chris Paxton 本人此前曾接触并评估过一款人形机器人，由于其腿部结构中采用了大范围的闭环机构，因此在进行仿真建模时，频繁遭遇了类似的挑战。由此可以推断，仿真技术的成熟度与精确性，迟早将构成决定人形机器人实际性能上限的关键因素之一。

机器人手臂与灵巧操作领域的创业者Matt Freed同样认同并进一步指出了Scott的判断。他观察到，目前相当一部分机器人手部设计方案，实际上正针对错误的需求进行优化，这类设计未必能够顺利地迁移到真实世界的部署场景中。更深层次的问题在于，如果负责硬件研发的团队与负责模型训练的团队处于彼此分离的状态，那么关于所谓真实有效需求的反馈闭环会因此变得极为迟缓。

这两类团队在发展过程中必须实现深度的协同与整合。对于那些既不独立研发机械手、也不独立开发控制模型、既不主导部署落地、又不在真实应用场景中进行持续迭代与优化的公司，我方对其前景持保留态度。其核心原因在于，唯有将硬件、算法模型、实地部署与迭代优化这几个关键环节，置于同一个紧密的反馈闭环之中，团队才可能真正洞察并理解：为了让机器人在现实世界中发挥实际效用，究竟需要满足哪些系统性、工程化的条件与要求。

这场争论的核心，并不在于仿真技术本身是否重要。恰恰相反，如果目标是把人形机器人成功推动并部署到真实世界环境之中，那么该过程将高度依赖于诸如高质量仿真、强化学习以及大规模策略训练在内的关键技术支撑。