机器人和L4级自动驾驶都卡在一个物理瓶颈上
人形机器人融资一轮接一轮，Robotaxi的新闻每月都有。从春晚的舞蹈，到各种轮式臂在物流仓库拣货，。但从“跑通demo”到“能在你家厨房干活”，中间差的不是一点半点。
有个最基础的问题没解决，机器怎么认知物理世界。
人和机器对空间的理解方式完全不同，你让我去拿个杯子，我扫一眼碗柜就去了，至于杯子离桌沿多少厘米、把手朝哪个方向、周围有什么。脑子里没这些数，凭直觉够用。但机器不行，它得知道杯口的精确朝向，把手的3D坐标，抓取点距离杯壁多少毫米。少一个数，后面的规划和控制就没法做。拿杯子失败，不一定全是感知的锅，规划算错了、控制没跟上，都可能。但感知是整个链条的第一关，这一关拿不到足够精度的数据，后面的环节连犯错的机会都没有。
给人用的感知和给机器用的感知，压根两回事。自动驾驶里的车道线检测就是个例子。人开车不需要知道车道线离车轮多少厘米，觉得差不多就行。但机器要知道，精度厘米级，且帧与帧之间不能跳变。高速上差一点就是事故。
玻璃杯是这个问题的极端版本，透明材质，深度相机打上去要么穿过去，要么噪点一片；反光表面，特征点根本对不上。这不是换个算法能解决的，是传感器物理原理的限制。
工业上怎么解决？不让杯子透明，不让场景变化，打强光，加标记。说白了，把真实世界改造成机器能处理的样子。但家庭场景没法这么干。你家碗柜不可能贴满标记。
传感器路线上，激光雷达近场精度不够，深度相机对透明和反光物体虚。算法路线上，单目深度估计本质上是个病态问题，你从一张2D图去猜3D结构，遇到没见过的场景就露馅。这些年在实验室里见过太多这类情况，算法在标准数据集上跑得漂亮，一换成真实厨房的杂乱光照，深度图就碎了。
接着以拿杯子为例，位置姿态都拿到了，手伸过去。碰到杯壁那一瞬间之前，有个事得先想清楚：杯子会怎么样？会不会滑？多大力刚好拿稳又不碎？
人做这个不费劲，这是进化给我们刻进本能里的东西，不耗任何显性认知资源。但机器做这个，目前学界有两条路。一条是显式物理引擎仿真，把力学模型写进去，给定初始条件算结果。这条路的好处是精确，问题是太慢，没法在毫秒级内跑完。另一条是学习型世界模型，用神经网络从数据里学出一个近似物理引擎。这条路快，但现阶段预测精度不够，遇到训练分布外的材质和几何就飘。
两条路都不成熟，所以目前落地系统的主流做法还是靠数据驱动，见多了类似场景，学会一个从视觉到力度的映射。问题是这个映射只在训练分布内靠谱。换个没见过的杯子，表面材质不一样，摩擦力变了，它照样按老经验出力，捏碎就是这么来的。
自动驾驶里类似的场景多了去了。旁边车道的车稍微压线，它是要变道还是驾驶员走神？这需要推演，不能只靠模式匹配。目前大部分系统的做法是把所有可能性归成几类，然后给每类一个概率，选最高的执行。这本质上还是统计，不是推演。所以那种“别的车在犹豫”的情景，L4处理得不好。
力反馈和触觉信息不像视觉，太容易获取。
这是一个常被外行忽略、但内行知道是核心瓶颈的问题。拿稳杯子的关键不在视觉，在触觉的闭环反馈。碰到杯壁的一瞬间，指尖感觉到滑移的微振动，马上加点力。抓到临界点，力不再加，保持住，整个过程毫秒级循环。
要做到这个，需要三样东西：高分辨率的触觉传感器、毫秒级响应的力控算法、把传感器信号和执行器指令实时闭环的模型。
传感器这一关就卡住了，目前的触觉传感器方案很贵，可靠性差，离量产差得远。工业场景的解决方案是干脆不用触觉，用位置控制“盲抓”——机械爪开到比物体大一点的间距，靠几何约束卡住。这也是为什么你看到的大部分人形机器人演示，抓的都是方方正正的规则物体。至于玻璃杯这种光滑且脆的东西，主流做法是当特种任务处理，用吸盘或者其他专用末端，根本不走通用抓取路线。
力控算法相对成熟一些，问题是没传感器给它输入，再好的算法也用不上。
这和L4感知路面附着力是同一个困境，视觉能猜个大概，路面颜色变了，可能在结冰。但“猜”靠不住。真正能确认的是轮胎打滑那一瞬间的力反馈，但到那时候已经晚了。这个问题行业内探讨多年，一直没有廉价的可靠方案，本质上是同一个传感器瓶颈。
实验室做演示，台上就一个杯子，背景干净。你家厨房实际什么样子？杯子旁边有碗、盘子、调料瓶，可能倒扣，可能堆叠。机器人得在这一堆东西里把杯子拿出来，不碰倒别的。
这不只是识别多了几个物体的问题，场景复杂度带来的不是线性增长，是指数级增长。因为不仅要知道每个东西在哪，还要知道它们之间的空间关系和物理依赖——盘子压着杯子了吗？碰倒一个碗会不会引发连锁反应？规划路径时，自由空间不再是空旷的，而是被各种障碍物挤成了一条缝。
得承认，视觉大模型这两年进展很快。SAM、3D高斯溅射这些，对静态场景的建模能力提升了一个台阶。但理解静态场景只是第一步。拿杯子是一个动态交互过程，抓取动作会改变场景状态，碰到一个物体可能引发连锁位移。这些连锁效应需要在动作执行过程中实时感知和调整，不是提前建个模就完事了。目前还没有系统能在复杂堆叠场景里稳定做到这一点。
在密集车流里的自动驾驶车辆，周围六七个交通参与者，各自有意图和轨迹，规划一条不碰任何人、也不吓到人的路径。目前技术走简单场景还行，一堵车就开始过于保守，不停踩刹车。
自动驾驶和人形机器人共享同一套底层，都依赖传感器、都在做空间重建、都需要预测和闭环控制。
但难度分布不一样，L4的难点在“稀疏但有致命长尾”。
99%的场景不难，难的是最后那1%必须100%安全。
现在有一种说法：只要大模型继续scale，人形机器人自然就出来了。
大模型确实能帮忙做任务规划和语义理解，但在传感器物理原理和在硬件。都不是你多喂点数据就能自己解决的。
大模型当前的强项是符号空间，互联网上几万亿token，什么都能学到。但触觉信号不在互联网上，力反馈数据没有语料。这就注定了纯大模型路线搞不定物理交互。不是架构不行，是训练数据里就没有这种信息。
页:
[1]