北京亦庄南海子公园，终点线前，去年的冠军“天工Ultra”稳稳冲线，却在触线后意外偏航，径直冲入路边绿化带。工程师们上前“急救”，用担架将它抬离赛道，观众笑称：“机器人也被胜利冲昏了头脑。”没人知道，它是被人群遮挡视线、误判终点为障碍，还是导航在最后一刻失准。这一幕短促而意外，却恰恰照见了机器人行业最直白的现实——进步与失控，只在一瞬间。
一年之间，亦庄人形机器人半程马拉松已然蜕变。去年，参赛机器人身后还跟着一溜扛着电脑的工程师，牵引、遥控、频繁纠正方向，更像是一场人机协同接力；今年，陪跑员被取消，人工干预被严格限制，场内外换电直接影响成绩计算，已有40%的机器人实现自主导航，第一次独立面对一条复杂而漫长的真实道路。最快完赛时间从去年的2小时40分42秒，直接缩短近两个小时，最短完赛时间仅50分26秒，机器人掠过赛道时，只剩一道残影。
这条全长21.0975公里的赛道，本身就是为机器人量身设计的“难题集”：平地、坡道、连续弯道、狭窄路段，再到南海子公园内接近90度的急弯与下坡组合，十余种地形串联在一起。对人类跑者而言尚且不易，对人形机器人更是全方位考验——运动控制决定它能否稳定奔跑，能源管理决定它能跑多远，感知决策决定它能否找对方向，热管理与机械结构则构成了这一切持续运行的基础。
赛场上，机器人在展现进步的同时，也交出了一本“错题集”：有的因高温暂停降温，有的突然迷路慌慌张张，有的步伐不稳如醉酒大汉，即便去年的冠军“天工Ultra”，也未能幸免。但一定程度上，失败比成功更有意义——每个失衡、误判、中断，都暴露了机器人在实验室环境里被掩盖的短板，这些真实故障，更能让行业看清边界、找到方向。
围绕赛场上那些看似细碎的差异，我们邀请快思慢想研究院院长田丰、零零后科技创始人兼CEO张振尧，从各自视角拆解这场“人形机器人半马”，解答11个核心疑问，读懂背后的技术逻辑与行业真相。
一、追赶博尔特：速度与步态的底层逻辑
1. 有的机器人跑得像博尔特，有的像喝多了，速度、步幅差异明显，本质受哪些因素制约？
田丰：步幅最直接的决定因素是关节电机的扭矩——扭矩越大，机器人“力气”越大，一步就能迈得更远，这是最基础的物理约束。但这并非唯一因素，还与控制算法密切相关：如果控制系统对大步态的稳定性把控不足，就会被迫采用小步快走的保守策略，因为小步的调整空间更大，一旦姿态有偏差，能更快修正，整体稳定性更高。
这里的关键的是系统响应延迟。人形机器人全身可能有几十个自由度（比如30多个关节电机），迈大步时，这些电机需要高频、同步完成姿态调整，对控制系统的实时性要求极高。若延迟过大，重心来不及修正，机器人就容易失去平衡、摔倒。因此，在控制能力尚未成熟时，多数系统会主动选择小步策略。
至于步频，本质取决于电机的响应速度和驱动能力，可理解为控制信号的刷新频率和执行能力：电机性能越好、驱动越强，单位时间内可完成更多步态循环，步频就能提高。从系统层面看，步频也和电力系统密切相关——更高频率的运动意味着更高的功率输出需求，若供电能力不足或电机性能有限，很难支撑高步频运行。
2. 为什么今年人形机器人的完赛时间比去年大幅缩短？
田丰：核心得益于电动车产业链向机器人领域的迁移。关节电机、电池等核心零部件持续升级，性能不断提升，同时国产化率越来越高，成本也得到有效控制。
另一个重要原因是厂商在算法上的加大投入。不少机器人厂商将一半研发费用投在“小脑”（运控系统）和“大脑”（逻辑思考系统）上，这两大系统的优化，直接提升了机器人的运动效率和决策速度，让机器人能更流畅、更高效地完成赛道挑战。
3. 现在机器人需要一边跑一边换电池，有的一场比赛换四五次，就不能把电池包扩大吗？
张振尧：按照目前电化学的发展水平，一块电池很难驱动一台身高1.8米的全尺寸人形机器人跑完半马，这是客观现实，因此中途换电或换机器人成为必然选择。盲目扩大电池包，只会陷入恶性循环：电池包增大→整机重量、体积上升→电机需输出更大扭矩维持速度→电流和发热增加→消耗更多电能。
所以，堆电池容量是下下策。最优状态是将电池重量控制在整机重量的10%～15%，让人形机器人以敏捷步态，依靠多次换电完成比赛。
今年的一个创新点是“不断电换电”：部分队伍给机器人配备多块电池包，更换其中一块时，由备用电池持续供电，实现系统不关机、不断电，避免了传统换电（拔线、重启、校准传感器）的漫长过程和工程不确定性。
用一块电池完成全程，是行业的终极梦想，但这需要材料学的重大突破。当前阶段，突破点在于“动能回收”——从目前能耗较高的“伺服结构”，转向能量回收效率高的被动行动状态，比如用腿部弹性储能机制，回收每一步落地的动能，这和新能源车下坡回收动能的设计思路类似。
二、OOTD有说法：机器人“穿搭”背后的工程考量
4. 为什么有的机器人穿鞋、有的不穿？
张振尧：机器人穿不穿鞋，本质是工程学上三个指标的权衡——地面接触模型、摩擦系数和冲击吸收。
机器人每迈出一步，脚接触地面时会产生体重2-3倍的反作用力，若这股力量直接沿腿部连杆向上传导，会对踝关节、膝关节造成高频冲击，极易导致金属疲劳和断裂——就像人类跑步、登山多了会磨损半月板。跑鞋的核心作用，就是吸收冲击力、隔离高频振动，保护机器人的关节和电机。
此外，机器人裸足多为金属或碳纤维材质，摩擦系数低，直接接触柏油马路容易发生微小位移，进而导致算法误差、重心偏移，甚至系统振荡。穿上合适的跑鞋，能大幅提高静摩擦，尤其过直角弯时，跑鞋带来的高摩擦力可帮助机器人维持向心力，避免打滑。
穿鞋也有两个小问题：一是前期训练模型未纳入跑鞋的柔软材质、鞋底厚度，可能导致机器人“误判”，出现踏空等情况；二是鞋子重量会增加腿部末端负载，提升能耗。但总体而言利大于弊，目前的强化学习算法鲁棒性（稳健性）较强，能快速适应穿鞋状态。
5. 前两天北京下雨，参赛队伍纷纷给机器人披上雨衣。对于人形机器人来说，防水是一件很难的事吗？
张振尧：人形机器人防水难度极大。当前阶段，机器人集成了大量传感器和设备，设计之初并未考虑防水工况，电源接口、关节连接件、走线等多为裸露状态，哪怕一根电线被损坏，都可能导致整个系统瘫痪。
现阶段给机器人做防水，既过早又复杂。目前很多团队的核心精力放在关节结构创新上，以提升奔跑效率，这些机械结构带有较强实验性，若强行加入防水设计，会制约技术迭代。更关键的是，若要做出防水机型，整机成本至少会上升五倍，不符合人形机器人商业化落地的需求。
三、高矮胖瘦，各有用途：机器人形态的适配逻辑
6. 不同参赛机器人高矮胖瘦差异很大，今年最矮的只有75cm。人形机器人的最优体型是否存在？
张振尧：最优体型没有标准答案，需结合具体应用场景判断——不同场景下，人形机器人有各自更适配的形态。
小型机器人（如75cm高）的优势的是：整体重量轻、摆动幅度大，重心低、稳定性好，受到碰撞时不易摔倒，即便摔倒，电机和整机受损风险也更低，且功耗较小。但局限也很明显：单步跨度有限，要达到较高速度需依赖高步频，会显著增加电机负载和散热压力；对复杂地形（如台阶、坑洼）适应能力差，更适合室内环境或算法验证，不适合长距离、复杂路况的户外运动。
全尺寸人形机器人（身高1.6-1.8米）的优势在于：能更好利用动力学（如钟摆式被动动力学机制），单位距离能耗更低；与人类空间一一对应，可直接复用楼梯、通道等基础设施，无需额外适配。但风险也更高：一旦摔倒，因体重大、势能高，冲击力极强，可能对整机造成严重损伤；对电机性能和控制算法要求更高，需要更强的扭矩输出和更精细的平衡控制。这类机器人更适合工业制造、物流搬运、应急救援等场景，以及需要与人类一比一替代的通用任务。
7. 未来会不会出现专门为跑步优化的非标准人形结构？
张振尧：若单纯追求“跑得更快、更久”，完全复刻人类双足直立形态，未必是最优解。自然界中跑得最快的动物（如鸵鸟），并非标准人形结构——它的腿部是反关节设计，肌肉主要集中在大腿根部，能大幅提升效率和爆发力。
这种思路已应用于机器人设计：比如去年有一款机器人，臀部搭载两个硕大电机，模拟人类肌肉发力；还有的采用轻量化材料，甚至在特定场景下去掉上半身或手臂，专为跑步优化。但这类设计仅适合专项任务，通用性较差。
从长期来看，若目标是进入家庭、医院等通用服务场景，人形机器人仍需向“类人”“仿生”方向收敛。目前行业主流的形态，是身高1.6～1.8米、体重50公斤左右的类人机器人，这是综合运动性能、能耗及与人类生活空间适配性后的均衡选择。
四、全自主导航的噩梦：感知与决策的双重挑战
8. 今年大约40%的参赛机器人自己跑，遥控还是占大部分，挑战在哪里？
张振尧：自主导航的核心挑战的是“感知”与“决策”的双重考验，而马拉松赛道与实验室环境的巨大差异，进一步放大了这些难题。
感知层面，最大的问题是数据噪声和计算延迟。赛道上的光照（云层、树木遮挡导致剧烈变化）、路面（其他机器人、观众、复杂线条），都需要机器人通过视觉、IMU（惯性测量单元）、激光雷达、关节传感器等多设备协同感知。但人形机器人奔跑产生的冲击力，不仅会损害关节，对感知系统更是“噩梦”——冲击力传导到IMU系统，会让系统误以为处于剧烈晃动环境，进而失效；高频振动还会导致视觉系统出现“果冻效应”，干扰识别精度。
为过滤噪声，需要搭载滤波算法和深度学习模型，但受制于电池容量，机器人身上的边缘计算芯片算力有限，容易出现感知系统与运动控制系统“抢算力”的情况：感知系统“抢赢”，运控系统算力不足，机器人可能直接“抽搐”；两者“打平手”，算力消耗过大，电机过热，系统可能降频甚至瘫痪。
9. 从去年到今年，为了实现全自主导航，有提出哪些解决方案？
张振尧：今年的最大提升，集中在高精度全局定位系统修正和多系统耦合上。一方面，算法上普及了视觉和IMU里程计，即便视觉短暂丢失，IMU也能通过融合算法支撑数百毫秒的推算，某一个传感器失效时，可通过其他系统进行状态估计，无需所有传感器始终在线；另一方面，赛事引入高精度RTK定位技术，能提供厘米级绝对位置参考，相当于给机器人提供了“太空坐标系”，有效解决长距离奔跑中的累计误差问题，某种程度上是“开了外挂”。
感知解决了“我在哪里、我看到了什么、我的状态如何”的输入问题，而自主导航的核心跨越，在于决策能力——不在于机器人跑得多快，而在于它的“大脑”能否在复杂环境中实时做出正确判断。
目前的进展是，边缘计算系统已能实时生成栅格地图环境模型，预测前方行人、其他机器人的运动轨迹，并在数百毫秒内规划平滑路径（如避让、超车），这套逻辑已接近自动驾驶的路径规划与决策系统。更重要的是，今年开始引入大模型能力，机器人面对障碍物时，不再只是执行左转、右转的简单规则，而是能通过视觉语言模型理解障碍物语义（如静态路障、移动的人或机器人），做出更接近人类的决策。
但目前仍无法实现100%无人干预全程运行。现实环境中存在大量不可预见的极端情况（如强光直射导致传感器失效、路面积水干扰），此时系统缺乏足够的常识和自我保护机制，可能只能通过重启恢复运行。
五、跑马拉松的意义：超越速度的行业价值
10. 为什么一定要让人形机器人跑马拉松？
田丰：这本质上是一道“命题作文”——设计这个题目的时候，我们并不知道所有机器人都能完成，但正因为这种不确定性，它才有价值。它把实验室里的标准环境，变成了真实、复杂、充满不确定性的世界，考验的是机器人能否将实验室里的速度、效果、智力，真正迁移到现实环境中，核心是泛化能力的比拼。
这不是单一能力的较量，而是全产业链能力的体现。过去几年，很多厂商依赖产业链标准化零部件，但标准品的二次优化空间有限；现在，越来越多厂商开始自研核心零部件，不仅做“大脑”，还向上游延伸，根据自身应用场景反向定制供应链。
能力提升后会产生“能力溢出”：有的溢出到工厂场景，体现为手部操作和大脑决策能力；有的溢出到马拉松场景，体现为下肢运动、全身平衡和复杂环境适配能力。而马拉松本身，就是一个暴露短板的过程——谁做得好，说明系统更均衡；谁做得不好，就能清晰看到问题所在，进而补齐短板，这是一套很好的训练和筛选机制。
未来，这种比赛形式还会持续演化：可能出现越野赛、登山赛、城市路面赛，甚至像人类一样区分短距离冲刺和全程马拉松——短距离考验峰值速度、爆发力和协调性，长距离考验续航、热管理，以及核心零部件的耐久性和系统稳定性。每一年，环境更复杂、要求更高，逼着整个行业不断提升；通过公开比赛让问题更早暴露，对行业发展而言，是一件好事。值得关注的不只是第一名，那些摔倒的机器人同样重要——它们产生的大量“负样本”数据，对系统快速迭代、能力提升至关重要。
11. 让人形机器人跑得更快重要吗？
田丰：跑得快的核心价值，在于明确能力上限。这里的“快”，指的是峰值速度（理论值），真实环境中会因热管理、电池等约束打折扣，实际运行速度通常是峰值的75%-80%，这已是理想状态。
不同场景对速度的需求不同：工厂场景中，机器人不需要跑得特别快；但在应急搜救场景中，机器人需要和时间赛跑，速度直接决定救援效率；巡检场景中，移动速度越快，工作效率越高。
这有点像奥林匹克——奥林匹克不断挑战人类专项能力极限，人形机器人跑马拉松也是如此，无论是手臂负载能力，还是腿部运动速度，都在不断逼近甚至突破极限，而这个极限，未来很可能会超过人类的生理边界。
本文来自微信公众号：镜相工作室，作者：黄依婷，编辑：胡苗