人形机器人技术栈拆解：从核心硬件到Sim2Real与量产交付

人形机器人这条赛道2025 年最大的信号不是某个单品的发布会而是出货量结构的变化。多家行业调研口径都指向同一个结论中国厂商占全球人形机器人出货量的 86%。这个比例意味着什么它说明人形机器人已经走完了“实验室样机”阶段进入“批量交付”阶段而且供应链的重心明显在中国。这次我们不谈新闻只聊技术拆解。人形机器人不是单一软硬件项目而是一套从电机、减速器、传感器到运动控制、视觉感知、大模型决策、仿真训练、产线测试的完整技术栈。这篇文章会围绕“为什么中国厂商能拿到 86% 的出货量”这个结果反向拆解人形机器人开发的核心环节包括硬件门槛、软件框架、Sim2Real 训练流程、批量测试方案、算力与功耗观察、常见坑位以及开发者怎么切入这条赛道。如果你是做机器人、嵌入式、自动化测试、AI 算法或者工业软件方向的工程师这篇文章可以直接收藏后面无论是评估方案、选型硬件还是搭建测试流程都有参考价值。1. 人形机器人开发核心能力速览先把人形机器人开发涉及的技术栈整体拉一张表。这不是某一款开源项目的功能清单而是整机开发必须覆盖的能力模块。能力模块说明关键依赖整机结构躯干、四肢、头部、灵巧手的机械设计结构仿真、材料、轻量化设计关节执行器旋转关节、线性关节、灵巧手驱动无框力矩电机、谐波减速器、行星滚柱丝杠、编码器传感器系统姿态、力觉、视觉、触觉IMU、六维力传感器、RGB-D 相机、电子皮肤运动控制行走、跑步、上下楼梯、抗扰动模型预测控制MPC、全身动力学控制WBC、强化学习RL感知与导航环境理解、建图、避障、目标识别SLAM、目标检测、深度估计决策与交互任务规划、语音交互、语义理解大语言模型LLM、视觉语言模型VLM、具身智能大模型VLA仿真训练Sim2Real 策略迁移MuJoCo、Isaac Lab、Isaac Sim嵌入式软件实时控制、通信、状态机ROS 2、RTOS、EtherCAT/CAN 总线量产测试关节测试、整机老化、标定自动化测试脚本、数据采集与日志分析云端平台模型训练、数据回传、OTA 升级GPU 集群、数据管道、模型部署服务从这张表能看出来人形机器人本质上是一个“多技术栈聚合体”。出货量能到全球 86%说明的不是某一个算法领先而是这整条链路都能稳定跑通并且成本可控。2. 为什么中国厂商能拿下 86% 的出货量先看结果全球人形机器人出货量里中国厂商占比 86%。这个数字背后不是单点技术代差而是一套组合优势。2.1 供应链完整度人形机器人最贵的硬件是关节执行器核心零部件包括无框力矩电机、谐波减速器、行星滚柱丝杠、交叉滚子轴承、编码器。这些零部件在工业机器人、数控机床、新能源汽车领域都有大量供应商积累。中国厂商做整机不需要跨洋采购从电机、减速器到结构件基本可以在一小时内找到供应商开模、打样、小批量试产的速度比海外厂商快得多。2.2 制造成本和工程迭代速度人形机器人目前还没有到消费电子级别的销量但供应链复用让它具备了“低成本快速迭代”的条件。整机厂商可以先采购成熟零部件做方案验证再逐步自研核心部件。这种“先用供应链、再垂直整合”的路线和早期智能硬件行业的打法是类似的。工程迭代速度体现在两个地方一是样机迭代周期从“年”缩短到“季度”二是产线测试方案可以复用工业机器人和自动化设备的成熟经验。2.3 数据场景丰富具身智能模型需要真实场景数据尤其是家庭、仓储、商用服务场景。中国在物流、餐饮、零售、园区配送等场景的自动化渗透率较高人形机器人更容易找到试跑环境。大量真实场景数据回流之后又可以反哺仿真训练和模型迭代形成数据飞轮。2.4 开源生态和人才供给国内高校和科技公司在强化学习、多模态大模型、机器视觉方向的人才密度很高。同时英伟达的 Isaac Lab、DeepMind 的 MuJoCo、斯坦福的 HumanPlus 等项目都通过开源降低了入门门槛国内开发者基于这些框架做二次迭代的速度非常快。需要注意一点86% 的出货量不等于 86% 的高端技术占比。更准确的表述是中国厂商在“工程化量产”这个维度上领先而基础研究层面仍然有大量海外开源成果在支撑整个行业。做技术选型时要分清哪些是自研能力哪些是开源红利。3. 人形机器人核心硬件门槛想理解人形机器人为什么难先从硬件看起。3.1 关节模组整机成本的大头人形机器人全身通常有 20 到 40 个自由度。每一个旋转关节都要做到高扭矩密度、高精度、低背隙、长寿命同时还要尽量轻。这就是为什么关节模组能占整机成本的一半以上。典型旋转关节配置部件作用常见选型方向无框力矩电机输出动力根据峰值扭矩和持续扭矩选型谐波减速器降低转速、提高扭矩和精度减速比 50:1 到 100:1 不等编码器检测角度位置磁编码器或多圈绝对值编码器驱动器电流环、速度环、位置环控制FOC 矢量控制方案制动器断电保护部分关节需要配置线性关节则常用行星滚柱丝杠把电机的旋转运动转为直线运动用于腿部驱动比旋转关节更适合大推力场景。灵巧手则更复杂每个手指往往需要多个微型驱动器和触觉传感器。3.2 传感器力觉比视觉更关键人形机器人要稳定行走不能只靠视觉力觉很关键。脚底需要感知地面反作用力手腕需要感知操作力。典型配置IMU提供机身姿态和加速度数据是步态控制的基础。六维力传感器测量三轴力和三轴力矩常用于脚踝和手腕。RGB-D 相机提供深度图用于建图、避障、抓取。关节扭矩传感器部分关节需要直接测量输出扭矩用于力控。传感器决定了控制器的输入端质量。IMU 噪声大、标定不准、力传感器温漂严重都会直接影响步态稳定性。3.3 算力平台人形机器人的“大脑”通常分两层。上层是感知和决策跑 Linux 系统和深度学习模型下层是实时控制跑 RTOS 或者高优先级实时线程。硬件上常见方案方案适用场景特点NVIDIA Jetson AGX Orin / Thor端侧感知和模型推理能效比高适合移动平台工业 PC GPU科研和开发调试性能强功耗大低功耗 MCU / FPGA关节驱动和底层控制实时性高低延迟选算力平台要平衡功耗、重量和性能。人形机器人本体电量有限算力平台功耗过高会直接压缩续航时间。4. 软件栈与开发环境准备人形机器人的软件栈比传统工业机器人复杂很多因为它既要处理实时控制又要跑感知模型和大模型推理。4.1 软件栈分层层级技术选型说明实时控制层RTOS、EtherCAT、CAN关节电流环、速度环、位置环周期通常 1kHz中间件层ROS 2 Humble / Jazzy节点通信、驱动封装、日志录制运动控制层MPC、WBC、RL 策略步态生成、全身协调、落足点规划感知层目标检测、分割、深度估计、SLAM基于深度学习模型决策层LLM / VLM / VLA任务理解、语言交互、操作规划仿真训练层Isaac Lab、MuJoCo策略训练、Sim2Real 迁移4.2 开发环境清单如果你是做软件算法方向建议先搭一套仿真开发环境。以下是一套通用环境清单不绑定具体厂商。# 推荐操作系统 Ubuntu 20.04 / 22.04 / 24.04 # 安装 ROS 2以 Humble 为例 sudo apt install ros-humble-desktop # 安装 MuJoCo pip install mujoco # 安装 Isaac Lab依赖 Isaac Sim pip install isaaclab # Python 环境建议 conda create -n humanoid python3.10 conda activate humanoid pip install torch torchvision pip install numpy scipy matplotlib注意ISAAC Lab 对显卡驱动、CUDA 版本、Isaac Sim 版本有匹配要求。安装时以官方文档为准最好用虚拟环境隔离避免污染系统 Python。4.3 感知决策模型的接口示例现在的具身智能方案通常会把视觉语言模型接到机器人控制框架上。以一个 VLM 接口调用为例import requests import base64 def encode_image(image_path): with open(image_path, rb) as f: return base64.b64encode(f.read()).decode(utf-8) def get_instruction(image_path, text_prompt): url http://127.0.0.1:8000/vlm/inference payload { image: encode_image(image_path), prompt: text_prompt, temperature: 0.1 } response requests.post(url, jsonpayload, timeout30) return response.json() if __name__ __main__: result get_instruction(scene.jpg, 请把桌上的红色杯子拿起来) print(result)这个示例说明的是标准部署思路模型服务化机器人端通过网络请求获取高层指令再拆解成具体动作。实际项目中接口路径、请求格式、鉴权方式都要按所选框架调整不要照搬。5. 从仿真到真机的开发验证流程人形机器人开发最核心的一环是 Sim2Real。先仿真训练策略再迁移到真机并在真机上做验证和微调。5.1 仿真训练常用的训练框架包括 Isaac Lab、MuJoCo 的 MJX、以及各类基于 PyTorch 的 RL 框架。训练目标是学习一个控制策略输入是机身状态关节角度、角速度、IMU 姿态等输出是关节目标力矩或目标位置。典型 RL 策略训练步骤导入机器人 URDF/MJCF 模型。定义观测空间、动作空间、奖励函数。设置地形、扰动、随机化参数Domain Randomization。并行采样训练用 PPO 等算法优化策略。导出策略为 ONNX 或 TorchScript。5.2 Domain RandomizationSim2Real 迁移中最常用的技巧是 Domain Randomization。给仿真环境加入随机扰动让策略学会适应真实世界的多样性。# 伪代码示例展示 Domain Randomization 的核心思路 from isaaclab.envs import DirectRLEnv class HumanoidEnv(DirectRLEnv): def randomize_physics(self): # 随机化摩擦力 self.set_friction_coefficients( range(0.3, 1.5) ) # 随机化电机扭矩系数 self.set_motor_torque_scale( range(0.8, 1.2) ) # 随机化重心偏移 self.set_center_of_mass_offset( range(-0.02, 0.02) ) # 随机化外部推力 self.apply_random_external_force( probability0.1, force_range(0.0, 50.0) )这段伪代码的意思很简单如果想让策略在真机上也能站稳就要在训练时故意“为难”它让它在各种不同的物理参数下都能工作。5.3 真机部署验证策略训练完成后部署到真机不是简单地跑一个模型而是一套完整流程# 1. 关节回零确认所有电机角度准确 ros2 topic echo /joint_states # 2. 加载模型把 RL 策略加载到控制进程 ros2 run humanoid_controller load_policy --model policy.onnx # 3. 启用安全模式设置力矩限制和速度限制 ros2 param set /humanoid_controller max_joint_velocity 1.5 ros2 param set /humanoid_controller max_joint_torque 30.0 # 4. 悬吊测试先做空中摆动测试确认关节方向正确 ros2 launch humanoid_bringup hang_test.launch # 5. 逐步直立从半蹲位开始逐步加载策略 ros2 launch humanoid_bringup stand_test.launch任何一步出现异常都应该回到上一步排查不要直接满负载跑步态。6. 量产测试与批量交付架构86% 的出货量背后是一套批量测试体系。人形机器人和手机不一样它涉及大量运动部件每个关节都要经过测试才能出厂。6.1 产线测试分级测试阶段测试内容通过标准关节模组测试角度精度、扭矩输出、温升、噪声精度和温升在允许范围内整机静态测试线束连接、通信、传感器数据无断连、数据正常整机动态测试站立、行走、下蹲、抗扰动无异常抖动、无过热保护视觉标定相机内参外参、IMU 对齐重投影误差小于阈值老化测试连续运转、反复行走规定时间内无故障6.2 自动化测试脚本批量测试必须自动化不能用人工看数据。下面是一个关节测试的 Python 脚本思路import time import csv import can def test_joint(axis_id, target_angle, duration): # 发送位置指令到关节驱动器 send_position_command(axis_id, target_angle) # 记录关节实际角度、电流、温度 records [] start time.time() while time.time() - start duration: angle read_angle(axis_id) current read_current(axis_id) temp read_temperature(axis_id) records.append([time.time() - start, angle, current, temp]) time.sleep(0.01) # 判断是否到达目标角度 actual_angle records[-1][1] if abs(actual_angle - target_angle) 0.05: return False, fangle error: {actual_angle} # 判断温升是否在允许范围 max_temp max([r[3] for r in records]) if max_temp 60: return False, fover temperature: {max_temp} return True, pass if __name__ __main__: ok, msg test_joint(1, 90.0, 5) print(ftest result: {ok}, {msg})这个脚本虽然简化了通信细节但核心思路是通用的发送指令、采集数据、设定阈值、输出判定。批量任务的关键是数据落盘和日志留存测试数据要能回溯方便分析量产质量问题。7. 算力、功耗与性能观察方法人形机器人开发中“性能”不是一个单一指标而是多个维度的综合表现。7.1 本体的算力开销本体的算力主要用在三个地方视觉感知目标检测、深度估计、VLM 推理通常跑在 GPU 或 NPU 上。运动控制MPC、WBC 或 RL 策略推理频率要求高通常跑在 CPU 实时核上。状态估计IMU 融合、里程计计算频率很高计算量不大但对实时性要求严格。观察方法在真机上用top和nvidia-smi查看 CPU/GPU 占用率重点看控制进程的实时周期是否满足 1kHz以及感知进程的帧率是否稳定。7.2 仿真训练算力仿真训练端的算力需求远大于真机端。RL 策略训练通常需要同时跑数千个环境实例建议使用多卡 GPU 集群。观察训练是否正常的指标包括reward 曲线是否收敛。PPO 更新频率是否稳定。GPU 利用率是否打满。采样帧率FPS是否足够。7.3 功耗与发热关节电机是功耗大户。行走时腿部电机电流波动很大电池电压会跟着跳动。观察方法# 实时查看电流和电池电压 ros2 topic echo /power_system_status # 记录关节温度 ros2 topic echo /joint_temperatures # 设置温度保护阈值 ros2 param set /power_manager max_joint_temp 70如果发现某个关节温度偏高优先排查散热设计和持续力矩选型而不是只调控制参数。8. 常见问题与排查方法人形机器人开发中遇到的问题很多不是单一原因需要一层层排除。下面是一张排查表。问题现象可能原因排查方式解决方案站立时抖动控制周期不稳定、IMU 噪声大、关节死区查看控制日志和 IMU 数据加大低通滤波、检查实时线程优先级、重新标定行走几步后摔倒Sim2Real gap、足端滑移、地形差异对比仿真和真机地形摩擦参数加入 Domain Randomization、调整落足点规划关节过热电机持续扭矩不足、减速器摩擦大、散热差查看温度曲线和电流曲线更换更大扭矩电机、优化散热通信断连总线负载过高、线束接触不良查看总线错误计数器降低通信频率、检查接线和终端电阻视觉标定失败标定板尺寸错误、相机内参不准重投影误差分析使用更精确的标定板、重新标定强化学习训练不收敛奖励函数稀疏、超参不合适、仿真环境错误观察 reward 曲线、逐项验证奖励项添加引导奖励、调整 PPO 超参电池掉电快电机尖峰电流过大、电池倍率不足分析电流波形、电池内阻优化步态、换高倍率电池模型推理延迟高GPU 算力不足、模型未量化、线程调度冲突使用 profiling 工具换轻量模型、TensorRT 加速9. 开发者切入路径与最佳实践人形机器人赛道很大不是只有整机厂商才有机会。从技术栈的各个层面都有切入点。9.1 切入路径方向适合背景具体工作核心零部件电机、减速器、传感器、驱动器提高扭矩密度、精度、寿命、降低成本运动控制算法控制、机器人、强化学习步态控制、全身动力学、Sim2Real具身智能模型AI、多模态、大模型VLA 模型训练、视觉语言指令跟随、数据采集仿真与工具链软件工程、游戏引擎仿真环境、数据生成、评测基准产线自动化自动化测试、嵌入式、制造关节测试、整机标定、老化测试、数据分析应用集成行业解决方案、软件产品在仓储、商用服务、工业场景做落地9.2 工程实践经验先跑通仿真再碰真机。仿真能让你快速迭代策略减少真机损坏风险。第一次测试要小步快跑。先做关节回零再做悬吊测试再逐步直立不要直接上复杂步态。数据全部落盘。无论是训练数据、测试数据还是日志都要结构化保存方便回溯问题。做好安全机制。力矩限制、速度限制、急停按钮、防跌倒保护缺一不可。关注开源协议。使用开源模型和代码时要确认商用授权边界避免法律风险。涉及数据采集时要获得授权。在真实场景采集人形机器人交互数据时必须注意隐私和肖像问题。10. 总结与下一步这次我们从“中国厂商占全球人形机器人出货量 86%”这个结果出发拆解了人形机器人开发的关键技术环节硬件门槛、软件栈、Sim2Real 流程、量产测试、算力功耗和常见问题。对开发者来说最先应该验证的不是模型多聪明而是一个最基本的闭环关节能否精准响应指令IMU 数据是否稳定RL 策略能否在仿真中学会一个标准动作。这个闭环跑通之后再考虑更复杂的场景。最容易踩的坑是 Sim2Real 迁移。仿真环境做得再漂亮真机上遇到摩擦系数变化、电机延迟、机构柔性都会让之前跑得好好的策略直接失效。建议第一版策略就加入域随机化并在真机上设置保守的安全限制。后续可以继续扩展的方向很多VLA 具身大模型如何把自然语言指令拆解成动作序列灵巧手与触觉传感器如何支撑精细操作云端数据飞轮如何反哺端侧模型迭代以及产线数据如何用于质量回溯和可靠性预测。这些方向每一个都值得单独写一篇长文。人形机器人行业现在最缺的不是单一技术突破而是把整套系统稳定、低成本、可复制地交付出去的能力。这个方向值得持续关注。