一、Locomotion和ManipulationLocomotion移动 Manipulation操作是机器人学里两个最核心、但难度天差地别的基础能力。Locomotion让机器人走到那儿指改变自身位置的能力解决怎么去的问题。典型动作走路、跑步、跳跃、爬楼梯、避障。核心挑战平衡控制、地形适应、摔倒恢复。比如人形机器人走在不平整的路面上不摔倒。常见载体双足机器人Figure、Digit、四足机器狗Unitree、轮式底盘。Manipulation让机器人干那事指改变环境状态的能力解决怎么干的问题。典型动作抓取、放置、拧螺丝、开门、折叠衣服。核心挑战手部精细控制、力度感知、物体交互的物理建模。比如用筷子夹豆腐而不碎。常见载体机械臂、灵巧手Schunk SVH、Shadow Hand。为什么要打通两者现实中绝大多数有用的工作都需要同时具备这两种能力缺一不可想倒杯水 Locomotion走到桌子边 Manipulation拿起水壶倒水但这两件事在技术上是割裂的移动关注的是脚往哪踩决策频率低、容错率高走歪一点没事。操作关注的是手指怎么捏决策频率极高、容错率极低抓偏一毫米就掉了。很多机器人要么只能在一个固定工位上操作缺 Locomotion要么只能到处溜达啥也干不了缺 Manipulation。二、自动驾驶是不是只是 Locomotion核心结论自动驾驶不只是 Locomotion严格来说自动驾驶属于Locomotion移动的范畴但它比传统机器人的 Locomotion 复杂得多。它没有 Manipulation操作物体的需求但它有一个更核心的模块——Planning规划这是自动驾驶区别于普通移动机器人的关键。为什么自动驾驶主要是 Locomotion自动驾驶的任务本质是让车辆在道路上安全、高效地从一个点移动到另一个点。它的动作就是控制方向盘、油门、刹车本质上是在改变车辆自身的位置和姿态这正是 Locomotion 的定义。但自动驾驶的复杂度远超普通 Locomotion普通机器人的 Locomotion比如扫地机、机器狗走路相对简单因为环境可控、速度慢。而自动驾驶的 Locomotion 面临几个地狱级难题高速动态环境车速 120km/h 时决策窗口只有几百毫秒容错率为零。多智能体博弈不仅要控制自己还要预测周围车辆、行人、非机动车的行为并与之博弈别人加塞我让不让。长尾场景无限暴雨、逆光、施工路段、交警手势……现实世界的 Corner Case 无穷无尽。自动驾驶的核心模块拆解为了应对上述挑战自动驾驶的技术栈被拆解为三个核心环节其中感知和规划是它独有的高难度部分模块对应能力说明Perception感知眼睛识别车道线、红绿灯、行人、障碍物理解 3D 场景。Prediction预测预判预测周围物体未来几秒的轨迹旁边的车会不会变道。Planning Control规控大脑 手脚这是核心。规划一条安全舒适的路径并转化为具体的转向和加减速指令Locomotion 的执行层。和具身智能的关键差异维度自动驾驶具身智能人形机器人核心任务移动Locomotion移动 操作Locomotion Manipulation交互对象其他交通参与者车、人物体杯子、门把手、工具末端执行器方向盘、踏板灵巧手、夹爪成败代价极高车祸致命较低东西掉了重来总结自动驾驶本质上是 Locomotion 的极致形态它没有 Manipulation但它把如何在复杂动态环境中安全移动这件事做到了物理极限。这也是为什么现在很多具身智能公司包括 Aether AI会把自动驾驶作为技术验证场——能搞定自动驾驶的 Locomotion再做机器人的 Locomotion 就相对容易了。三、数据要求对比分析动作维度的量级差距维度自动驾驶人形机器人自由度DoF通常2-3 个转向、加速、制动30-50 个每条腿 6 个、每只手 6-12 个动作空间连续低维控制量就是方向盘角度和踏板开度高维耦合手指关节微动 1° 都会导致抓握失败数据性质标量信号为主速度、距离、角度全身关节角、力矩、触觉、惯性测量单元IMU等多模态时序数据为什么差距这么大自动驾驶的本质是轨迹跟随。无论路况多复杂最终输出的都是方向盘打多少度、油门踩多深这两个连续量属于典型的低维连续控制问题。几十年来控制理论已经把这套玩得非常透了。机器人的本质是全身协同的复杂物理交互。以 Figure 的人形机器人为例它有 40 多个自由度——走路时两条腿要交替摆动保持平衡伸手拿水杯时上半身在动、下半身要稳住重心甚至手指的细微发力都要精准控制。这是一个超高维非线性耦合系统任何一个关节的微小偏差都可能导致整体失衡。数据稀缺是更大的痛点更麻烦的是机器人缺乏自动驾驶那样的数据红利自动驾驶有海量天然数据路上跑的车每天都在产生 PB 级的真实驾驶数据还有几十年积累的交通事故数据库。机器人数据是人造的每个抓取动作、每次开门都需要专门采集且受限于硬件成本高、采集速度慢。这也是为什么 Aether AI 强调要把样本效率提升 5-10 倍——因为高质量机器人数据的获取成本实在太高了。数据维度的具体体现机器人的训练数据不只是看到了什么、做了什么还包括本体感知数据每个关节的角度、角速度、扭矩外部交互数据接触力、滑动、物体形变多模态对齐RGB 图像 深度 触觉 音频的时空同步这些数据的维度和关联性远非自动驾驶的摄像头 雷达 GPS能比拟。