足式机器人曾经只是科幻作品中的概念，但近年来，该领域已经取得重大技术进展，如今的足式机器人已能够将包裹直接递送到家门口，或用于支持概念验证性质的搜索与救援演示。曾经被认为纯属设想的事物，如今正在成为现实。我们正在见证相关金融投资和学术研究的激增，同时，当代人形机器人和四足机器人的鲁棒性与多功能性也在迅速提升，由此带来了广泛的社会经济机遇。
从技术上讲，足式机器人的设计灵感来源于动物生物力学，它们利用腿足在复杂地形上移动。与轮式系统相比，足式系统能够跨越障碍物和攀爬楼梯，同时仅需较小的基底占地面积即可实现主动悬挂和动态稳定。无人机可能会面临续航时间短以及空中操作物体困难的问题，而足式系统则可以长时间运行，承运重型载荷，甚至执行精准的移动操作。此外，其独特的形态使它们非常适合在以人为中心的环境中运行。
足式机器人诞生于20世纪，其发展经历了显著的演变。诸如通用电气的“步行卡车”等机器是液压驱动的遥控操作平台，其目标是在具有挑战性的复杂地形上运载重物。到了20世纪70年代末，诸如美国俄亥俄州立大学六足机器人这样的足式机器人开始被用作技术开发平台，为数字控制奠定了基础。在日本，加藤一郎是一位关键人物，他开发了“早稻田机器人”（WABOT-1）等早期的人形机器人。这项成果的重点在于创建全尺寸的类人机器。马克 · 雷伯特（Marc Raibert）的研究则推动了该领域的另一次转变：使研究重点从静态稳定的足式机器人转向了动态稳定的足式机器人。这一进展催生了本田旗下的一系列人形机器人，其中P2机器人成为首个使用机载计算机实现行走的自主双足机器人，它也是本田阿西莫机器人（ASIMO，意为“进阶一步的创新移动设备”）的前身，阿西莫是同时代最知名的人形机器人。近年来，像波士顿动力公司的阿尔法狗（LS3，足式班组支援系统）和大狗（BigDog）这样的机器人展示了动态稳定四足机器人技术逐渐走向成熟。在过去十年中，我们还看到了足式机器人平台在能力、多样性方面的爆发式增长。我们是如何走到今天这一步的？我们目前还缺少什么？接下来应该做什么？世界将会因为足式机器人发生怎样的变化？
硬 件
足式机器人的硬件由致动器、传感器、电子元件和定义机器人形态的机械结构组成。四足和双足机器人是最常见的形态（封二）。四足机器人已从静态稳定式过渡到了动态稳定式，这使它们非常适合载荷运输或操作任务；四足机器人的有效载荷能力最高可达180千克（封二E）。相反，人形机器人拥有较大的操作工作空间，但由于它们依赖动态稳定性，在实现操作和运动时都更具挑战性。从功能上看，机器人的硬件通过持续的“感知-动作”循环运行。它首先处理异类传感器测量数据，以估计机器人的本体感受状态和外部环境。随后，使用这些信息来计算致动器指令。致动器将这些指令转化为关节力矩，从而加速机器人的多体系统，并在脚部或手部产生接触力。这种闭环交互使机器人能够实现快速的反应式控制动作和高层决策，从而完成运动任务。
对致动器的关键要求之一是要能够产生足够大的力矩，以便在支撑机器人自重的同时实现所需的运动。四足机器人在奔跑时，其垂直地面反作用力最高可达自重的3倍，这就需要极大的关节力矩。此外，在与地面发生瞬间接触时，致动器必须对巨大的冲击载荷作出快速响应。这些挑战要求致动器既具有高力矩，又具有较低的机械阻抗，并由此具有较高的反驱动性——这与工业机械臂的致动器要求不同。
足式机器人通常使用电动机。出于功率效率和制造方面的考量，电动机在历史上主要针对高速输出而设计，因此早期的电机无法提供足够的力矩，故而需要采用较大的齿轮传动比。然而，高齿轮传动比会不可避免地引入摩擦、较大的折算转子惯量以及增高的机械阻抗。其结果是，致动器会变得不可反驱，并且，如果没有额外的传感器或机械结构，就无法对关节进行力矩控制。这些局限使得关节容易受到地面冲击的影响，并限制了机器人的动态运动能力。为了解决这些问题，人们提出了串联弹性致动器，即在齿轮传动机构之后连接弹簧，以便与环境进行柔顺交互，自此，该设计被纳入了足式机器人的设计中。然而，这种柔顺性降低了控制带宽，因为共振会降低可实现的闭环刚度，削弱高频力矩跟踪能力，并且难以建模。电动机的替代选项是液压致动器，与前者相比，后者具有较高的功率重量比。美国麻省理工学院腿足式实验室（MIT Leg Laboratory）早期的足式机器人展示了利用液压系统实现高度动态运动的能力。波士顿动力公司后来的平台，如大狗和阿特拉斯（Atlas）系列，直接将紧凑型泵、阀门和储液单元集成到了机器人体内。然而，液压系统受机械结构复杂性、高生产和维护成本、低效率以及噪声和漏油等实际问题的制约。因此，人们对继续开发这类系统的兴趣有所下降（封二F）。
近年来，通过采用定制电动机，已经能够实现高转矩、可反驱的电机驱动；这类电动机采用大气隙半径、短轴向长度的拓扑结构，并与低传动比变速器配合使用（封二B）。这种组合能够产生较低的机械阻抗，进而实现较高的反驱动性。由于采用了高透明度的齿轮传动，可以较准确地将关节力矩近似为与电动机电流呈线性关系，具体比例由电动机力矩常数和传动比决定。于是，无需额外的力或力矩传感器，也无需复杂的控制回路，就能够实现精确的高带宽力矩控制。此外，在致动器设计开源发布趋势的推动下，采用这种设计理念的四足和人形机器人设计迎来了爆发（封二F）。其中具有代表性的例子包括宇树科技的四足机器人和人形机器人系列，以及美国加利福尼亚大学洛杉矶分校的阿耳忒弥斯（ARTEMIS）人形机器人。
与此同时，传感器的微型化使得足式机器人能够集成各种传感器，从而实现全面的状态估计和环境感知。本体感受传感器用于测量机体内部的状态变量，其中包括测量关节角度的关节编码器，以及提供机器人机体角速度和线加速度的惯性测量单元。通过融合这些信号，机器人即可估计自身的机体姿态和运动状态。包括视觉传感器在内的外感受传感器则使机器人能够感知环境。激光雷达传感器（LIDAR）提供密集的三维点云，而RGB-D深度相机则将视觉信息与深度信息结合起来。这些传感器被广泛用于地形映射和环境重建，使机器人能够预判地形特征、规划落脚点并避开障碍物。接触和力传感提供了足部与地面之间的交互信息：简单的二进制传感器即可检测触地和离地事件，而多轴力/力矩传感器则可以量化地面反作用力和力矩。此类信息可被用于改进滑移检测和意外碰撞处理。目前针对触觉皮肤的持续研究可以进一步改善触觉反馈，使机器人能够感知机体不同部位发生的接触并提高其导航能力。然而，触觉皮肤有限的耐用性和集成方面的挑战阻碍了其更广泛的应用。
致动器替代品的发展为电动机之外的技术路线提供了广阔的前景。例如，仿生肌肉可能具有尺寸更小、富有柔韧性以及力重比更高等优势。然而，这些技术仍处于发展阶段，并面临制造、耐久性和控制方面的问题，因而目前尚无法用于商业系统。肌腱驱动式致动也面临着类似的挑战；该技术有可能更加忠实地再现人体骨骼肌肉的解剖结构。另一个处于发展中的研究领域是从刚性设计转向更柔软、更具柔顺性的机器人形态，这能够提高安全性并改善人机交互体验。
运动控制
为了让足式机器人高效地利用其硬件，算法必须将任务要求转化为电动机指令，从而实现机器人与环境的有效交互。这些算法定义了机器人的运动、敏捷性和智能水平，并最终决定其适用的应用场景。传感器更新速率、任务延迟要求和计算需求之间的差异，自然地形成一种模块化控制结构：速度较快的低层模块（例如，致动器控制约为200～1000赫兹，运动控制约为50～200赫兹）和速度较慢的高层模块（小于30赫兹），后者通过场景理解、规划和导航来实现自主性。
运动控制器通常会生成致动器的目标位置，这些位置被传递给致动器控制器，由后者转换为电动机电流或关节力矩。运动控制器负责管理落脚点选择、步态时序、腿间协调、离地时机和平衡等任务，以遵循指定的速度、位置或参考运动。控制器通过处理本体感受输入（包括关节位置、速度、力矩和惯性数据）以及对地形的外感受感知来决定机器人的运动。
传统上，经典方法将运动控制拆分为数个手动设计的独立技能。现有的文献涵盖了足式运动控制的生物力学原理和基于模型的控制策略。早期的方法专注于静态稳定性，采用质心准则（COM），该准则要求质心投影始终严格位于机器人的支撑多边形内部。后来，随着零力矩点准则的发展，这一限制得到放宽；再之后，线性倒立摆和弹簧载荷倒立摆等降阶模型得到采用，从而实现了动态运动。模型预测控制（MPC）通过使用简化的机器人模型进一步实现了行走、跳跃和奔跑行为。然而，对实时控制的要求限制了模型的表达能力，从而限制了控制器在现实世界交互的随机性和不确定性下的鲁棒性。这一局限性促使研究人员采用关节镜面反射和其他启发式方法来提高鲁棒性。随着基于强化学习的控制器兴起，模型预测控制方法又推动了混合系统的发展：在这种系统中，模型预测控制可以辅助训练和部署过程中的长时程规划。
完全在仿真环境中使用强化学习训练策略已成为开发运动控制器和跌倒恢复策略时的一种广泛采用的范式。它们将数千小时的仿真经验分摊并浓缩成一个鲁棒策略，在训练过程中主要使用近端策略优化（PPO）算法。
基于强化学习的运动控制器之所以取得成功，是因为若干关键的设计决策。仿真环境反映了机器人在部署过程中可能经历的状态。观测空间会被刻意限制，并且通常更倾向于使用几何外感受信息而非RGB图像信息。策略预测致动器的位置目标，通过阻抗控制将其转换为力矩，而非直接预测力矩，这使得训练期间的探索变得更容易（封三A）。
然而，关键的推动因素是那些用于缩小“仿真到现实”差距的技术。致动器模型的系统辨识使学习得到的策略能够以零样本方式迁移到真实硬件上。域随机化能够产生对各种变化具有韧性的策略，但这是以牺牲最优性为代价的，因为学习到的行为是一种平均化的解决方案，而非针对特定机器人和环境量身定制。域自适应策略学习通过持续在线估计系统参数来解决这一不足之处，使机器人能够适应其环境，并更好地应对现实世界中的传感器噪声和不确定性。
为了满足严格的实时性要求，同时便于泛化和优化，强化学习运动控制策略采用低容量模型实现（例如多层感知机或循环架构），总参数量在1000万以下。尽管一些研究已经应用了扩散模型或转换器架构，但这些模型仍比视觉和语言领域的同类模型要小，其参数规模在数百万，而非数十亿。
强化学习通常需要大量的奖励塑形才能产生运动行为。通过引入有关对称性的领域知识，或者采用包括仿生中枢模式生成、约束强化学习和自动课程设计在内的方法，可以缓解这一问题。此外，近端策略优化等算法的样本效率低下，这使探索变得困难，由此催生了利用特权信息的学生-教师方法。然而，从有限数据中学习以及适应现实世界的挑战依然存在。样本效率更高的替代方案，例如离策略强化学习或离线强化学习方法，在该领域尚未被证明有效。
对运动目标本身的定义，例如速度跟踪，可能过于严格，从而妨碍机器人学习诸如跃过缺口之类的复杂行为。为克服这一问题，有前景的研究方向包括针对位置奖励更为稀少的任务进行优化、落脚点跟踪，以及利用人类或动物的参考数据进行模仿学习，以发展多样化的运动风格或敏捷行为。将源自视频或动作捕捉的参考运动重定向到某一特定机器人本体时，由于不同机器人的肢体长度、质量分布和自由度各不相同，这一过程通常通过逆运动学被表述为一个使三维关节位置和方向对齐的优化问题。与通常受到计算约束限制的实时重定向相比，离线重定向能够实现更高程度的物理真实性和运动保真度。由此得到的重定向运动通常由强化学习控制器进行跟踪。模仿人类行为或步态能够简化奖励调节、提高社会接受度，并促进更加自然的人机交互，从而为机器人不仅作为工具，而且作为直观易用的伙伴发挥作用铺平道路。
如今，许多方法需要流程上较为复杂的多阶段训练，而将多种技能或多个策略浓缩为单一策略仍然是一个尚未解决的问题。尽管强化学习应用于足式运动控制已有数十年之久，但鲁棒性的重大跃升最先是在四足机器人上实现的；此后，相同的核心算法已经展示出迁移到多种机器人形态的能力。然而，对机器人形态的选择带来了一项根本性的权衡问题。增加腿的数量会提高协调需求，但同时也扩大了机器人可采用的恢复动作的空间。四足机器人减少了人形机器人所需的复杂连杆和机构带来的机械复杂性。此外，双足运动控制依赖动态稳定，在崎岖地形上尤其具有挑战性；不过，它的优势在于基底占地面积较小，而且人形机器人的外形尺寸有利于人类参考运动数据的可扩展式收集。总体而言，如何验证和认证足式机器人控制策略的安全性，仍然是一个尚待解决的问题。
由于足式机器人的运动控制能力已从平整地形推进到崎岖地形，进而发展到不连续地形，当前的研究重点正在超越纯粹的几何感知，转向融入视觉和语义理解。人类自身会利用视觉规划接下来的几个落脚点：我们将视线集中在地形内最相关的区域，同时解读影响我们运动方式的各种线索。通过语义信息，我们能够预判与地形的交互，应对不稳定地形（如松动的石块和树枝），并留意我们施加于环境的作用力。我们将这一新兴研究范式称为“灵巧语义运动”：它强调机器人在预判自身与地形的交互时，需要超越单纯的几何信息，并解释其环境，从而规划精确、细粒度的运动响应。这一范式要求将能够从多模态数据中识别并可用于灵巧运动控制的可供性（affordances）纳入考量。此外，开发包含长时程规划且能与人类及其他智能体有效协作的运动行为，也变得越来越重要。
自主性与表征
自主性是所有机器人系统的关键组成部分。对于足式机器人来说，自主系统能够产生自主导航行为，利用机器人的腿部和运动算法来跨越障碍物和具有挑战性的地形。尽管足式机器人能够执行更加复杂的操作和交互任务，但本文主要关注导航方面。
传统上，自主系统将整体任务分解为多个子系统，并利用具有明确定义接口的层级化数据处理方式来管理与自主性相关的复杂性（图1）。足式机器人的感知子系统使其能够理解自身状态和周围环境。由此获得的状态估计值可能包括接触状态、外力和地面反作用力，并可供运动控制、导航、建图以及其他模块使用。对机器人位姿和速度的估计（里程计）一直是开发工作的重点。除了实现移动之外，腿足本身还可以充当传感器，通过足式机器人里程计提供有关机器人运动学的信息。足式机器人的当前状态估计器依赖于多传感器融合，该项技术已经从运动学-惯性融合方法，发展到了如今以互补方式集成相机、激光雷达、雷达以及其他传感模态的解决方案。由此得到的估计值被用于在空间和时间上融合感知信息，形成对环境几何信息和语义信息进行编码的结构化表征，例如用于导航的局部地形图或全局同步定位与地图构建地图（SLAM地图）。
图1 自主系统的演进
经典自主系统将功能分解为不同的子模块，并利用明确定义的接口，层级化地处理传感信息。相对地，基于学习的自主系统引入了紧密耦合或融合的模块。大语言模型（LLM）、视觉-语言模型（VLM）以及其他联合嵌入架构则负责实现整体信息提取。这使表征能够在整个架构中变得可访问，从而取代严格层级化的数据流。大规模预训练、语言先验和推理能力的整合，使系统能够超越固定且由启发式方法定义的本体体系，转向更加灵活的通用自主系统。然而，所需的控制频率和传感器更新速率等基本工程原则，继续塑造着底层系统架构。
对于足式机器人而言，语义理解并不仅仅意味着确定环境的几何结构和语义标签。相反，导航系统在分析时还必须考虑机器人的硬件和控制器，这一问题被称为可通行性估计。可通行性估计方法根据机器人穿越某一区域的难易程度，对地形地图或占位栅格中的各个区域进行评分。这些分数（或代价）通常由一个习得的模型确定，该模型通过人工标签或自监督信号训练而成，所得分数可以直接供传统运动规划器使用，以寻找可行路径。然而，结构化表征的使用会使机器人的状态和本体感受信号难以整合。这一挑战推动了一些研究通过学习前向动力学模型，在不采用显式场景表征的情况下对可通行性进行编码。
与运动控制研究类似，利用强化学习训练导航策略也已展示出具有前景的结果。这些方法直接从原始传感器输入或地图表征中进行学习。尽管如此，用学习得到的模块替换导航模块，仍然会使导航与运动控制彼此解耦，这限制了足式机器人在更具挑战性的环境中的应用。
与仅仅使用习得的组件替换或增强经典自主系统中的单个组件不同，新兴的基于学习的自主系统旨在融合不同模块，以克服层级化的传感器信息处理、人工设计接口以及基于启发式方法的表征所具有的局限。这可能会促使从视觉和语言中习得的抽象表征更加紧密地整合起来，使各模块能够通过多种显式和隐式学习得到的表征进行融合并相互条件化。
迈向此种替代性自主系统设计的第一步体现在了机器人跑酷中。机器人跑酷是一种受救援行动需求推动的应用场景，在这种情况下，传统的解耦方式很可能失效。在这一场景中，机器人需要导航到位于不连续且不平整地形中的目标位置，并面对缺口、高大障碍物和狭窄空间。近期的研究已经利用层级强化学习和潜在场景表征，成功协调了不同的运动行为。
纵观整个自主系统，我们可以看到，从语言中习得的抽象表征发挥着关键作用，使系统能够针对边缘情况进行推理并执行高层规划，而这些能力对于足式机器人在更加复杂的环境中的应用至关重要。习得的语义表征以多种记忆形式保存，例如场景图；这些记忆形式使系统能够对抽象概念和原始传感信息进行重新训练、分组和检索，同时仍然利用已建立的导航图方法。
作为对上述方法的补充，扩散模型、视觉-语言-动作模型（VLA）以及大行为模型（LBM）已经展现出了泛化能力和灵巧操作能力。当利用大规模互联网数据集和机器人遥操作数据集进行预训练时，这些模型只需要少量演示就能够习得有效行为。这些方法为学习导航行为提供了一种强有力的范式。然而，目前基于模仿学习范式的导航方法，在鲁棒性和可解释性方面仍然落后于经典方法；与在仿真环境中训练的强化学习策略相比，它们也难以有效整合本体感受信息。导航基础模型的持续进展使人们能够利用自然语言，以新颖、直观的方式向机器人传达导航指令，并展示了将先前彼此独立的元素融入单一架构中的潜力，从而不断向通用型人形机器人的方向拓展能力边界。尽管统一方法具有这些优势，但严格的实时性要求仍然持续驱动着架构设计，强调还需要进一步研究不同框架如何根据任务复杂程度实现自适应计算。如果组件之间确实需要接口、控制频率和功能边界，那么如何定义这些要素的最优形式，目前仍然是一个学界正在积极讨论的问题。
此外，在自主系统中，至于哪些先验知识应当被显式编码，哪些则应依赖利用可扩展学习目标和大量训练数据的端到端方法，仍然是一个开放性问题。尽管模块化自主堆栈已经确立了自身作为自主性基础的地位，但依赖彼此解耦的感知、建图、规划、导航和运动模块，可能不足以应对更加复杂的任务。现代应用要求系统具备前所未有的态势感知能力、全面的世界知识，以及在其低层行为与高层行为之间紧密的具身协调。它们能否取得成功，不仅取决于训练数据的可获得性和底层学习算法，还取决于所选择的问题表述方式。
数据与仿真
对于旨在多样化、非结构化环境中运行的足式系统开发而言，获取合适的训练和评估数据是一项根本性的挑战。数据往往与机器人的具身形态、传感器模态、驱动动力学以及环境条件深度关联。这些数据具有高度多模态性（就传感器类型而言），往往是异步的，并且受到时间相关噪声和系统延迟的影响。这些因素使大规模、可靠的数据收集变得具有挑战性，尤其是在那些不可预测的边缘情况所构成的长尾部分，而足式机器人必须能够在这些情况下稳健地运行。为克服这一瓶颈，开发者和研究人员使用在特异性、数量和多样性方面各不相同的多种数据源，以构建不同层次的抽象表征和理解能力。这些层次从世界知识和通用知识一直延伸到特定任务的理解（图2A）。
图2 数据与仿真概览
（A）数据缩放金字塔说明，数据存在于不同的规模层级。数据越具有任务特异性和具身形态特异性，其收集成本就越高。不同的数据源能够支持对不同底层概念的学习，这些概念可以分为世界知识、通用知识和特定任务知识。
（B）现代数据飞轮表明，数据收集不应孤立进行，而应在闭环系统中发生，在这一系统中，持续反馈能够迭代改进模型性能。
图形处理器（GPU）加速仿真框架在近年来取得的进展实现了仿真中训练稳健的运动和导航策略，这使消费级硬件上的大规模策略学习得以普及。这些仿真器能够利用特权监督信号快速生成数据，从而能够有效地学习面向控制的行为。然而，仿真的保真度和真实性往往是以计算吞吐量为代价的。物理建模和视觉渲染中的近似会引入仿真到现实的域差距，从而限制习得的策略直接迁移到硬件。尽管完美的仿真仍然难以实现，但广泛的域随机化、学习得到的残差模型以及精确的系统辨识等技术，已被证明能够有效缩小这一差距。因此，目前大多数低层运动、导航和全身控制策略主要在仿真中进行训练，并依赖本体感受信号以及中层视觉表征（例如深度图像和语义图像）。
尽管取得了这些进展，但仅靠仿真仍然是不够的。如何设计环境并对系统不确定性进行建模，以使机器人接触到足够多样化的场景，仍然是一个依赖人工且较为脆弱的过程。许多情境仍然超出了当前仿真器的能力范围，例如足部缠绕在植被中、在可变形地形上运动，或是存在语义丰富且杂乱的环境。此外，生成高保真RGB数据所需的计算成本高昂，通常需要使用许多GPU。然而，主要的瓶颈在于对与视觉数据相对应的正确物理交互进行仿真，这最终导致了尚未解决的仿真到现实的视觉差距。这些局限凸显了现实世界数据集的重要性，因为这类数据集能够捕捉仿真目前尚无法复现的复杂性、不可预测性和语义丰富性。
足式机器人的现实世界数据集是通过在不同环境中直接遥控操作机器人，或者间接通过人类或动物演示获得的。从视频或动作捕捉系统中提取的运动参考为运动控制提供了有价值的先验知识，简化了奖励设计，并使模仿学习更加稳定。对于导航和建图而言，包含丰富传感器载荷的数据集，包括RGB-D深度相机、激光雷达和腿部本体感受信息，都对开发不同算法并进行基准测试至关重要。不同于自动驾驶汽车，收集多样化的足式机器人数据要昂贵得多，而且需要将机器人部署在复杂、非结构化的地形中，而不是道路上。近期使用四足机器人开展的一些工作，例如GrandTour数据集和Sub-T数据集，已经开始缩小这一差距：它们记录了从城市街道到森林和建筑工地等环境中的数据，且涵盖了不同的光照和天气条件。在整个大规模部署过程中确保数据的完整性并确保验证仍然具有挑战性，而且与自动驾驶相比，其规模和多样性仍然存在不足。这使现实世界数据成为一种互补于仿真的、稀缺但至关重要的组成部分。
缩小仿真数据与现实世界数据之间的差距，将在推动足式机器人技术发展中发挥核心作用。神经渲染技术和神经场景重建或许很快就能为仿真提供大规模、高保真、照片级真实感的RGB渲染和网格生成。神经增强型物理引擎可以更好地捕捉复杂动力学特性，从而扩大对目前仍然建模不足的长尾失效模式的覆盖范围。可微分仿真的改进可以支持开发效率更高的学习算法，这得益于生成模型为自动构建多样且语义丰富的环境提供了一条很有前景的途径，减轻了人工工程负担。与此同时，更广泛地部署足式机器人（初期可能通过人工引导的遥控操作实现）将自然地扩大现实世界数据集（图2B）。这可以形成类似于视觉和语言领域已经建立的互联网规模的训练范式。机器人操作领域的早期证据凸显了更大规模数据集所带来的益处。将可扩展仿真、生成式数据增强和广泛的现实世界部署结合起来，对于创建具有丰富多样性的数据集至关重要，而这些数据集能够推动下一代鲁棒、通用足式系统的发展。
在所有这些模态中，研究人员面临的一个主要瓶颈是缺乏标准化、共享的基准和实践。大多数仿真到现实研究都依赖于定制硬件，因此难以进行系统性比较。仿真中的比较同样不够充分，因为它们未能捕捉将策略迁移到真实硬件时所面临的挑战。这些挑战需要超越足式机器人领域本身的更多努力，而这也可能使整个领域受益。最终，所有这些进展都能够推动形成一个数据飞轮（图2B），从而加快数据的可获取性、增强仿真、改进基准测试，并解锁新的现实世界应用场景。
结 论
在电磁致动技术的推动下，足式机器人硬件已经逐渐成熟，进入了广泛应用的阶段。四足机器人已经在多家公司实现商业化，在形态和设计上呈现出趋同趋势。在学术界、政府和产业界投资激增的背景下，人形机器人硬件正在迅速发展；多种竞争性设计并存，且许多公司正在准备量产。
尽管当今人形机器人在平坦工厂地面上的许多工业应用并不需要高级移动能力，但相关部署可以代表迈向通用机器人的重要一步。当与规模经济和批量生产相结合时，这类机器人甚至可能成为那些最初看似反直觉的应用的可行解决方案。为了安全且负责任地将这项技术引入社会，我们主张实行基于现实能力的政府监管、开展国际协调、实施战略性产业政策，并建立具有前瞻性的劳动力培育计划。
与此同时，伦理考量必须在立法中得到体现；我们敦促开发者和研究人员对足式机器人可能引入的隐性偏见和潜在危害保持警惕。因此，我们必须认真考虑这样一个关键问题：谁拥有开发、部署和控制这些技术的权力？
资料来源 Science Robotics
————————
本文通信作者约纳斯·弗雷（Jonas Frey）是从事机器人研究的青年研究员；马蒂亚斯·马特马拉（Matías Mattamala）是机器人领域的专家、研究员；马尔科·胡特（Marco Hutter）是瑞士苏黎世联邦理工学院机器人学教授、机器人系统实验室（RSL）负责人以及四足机器人企业 ANYbotics 的创始人