傅利叶GR-1人形机器人：国产通用人形的技术拆解

可视化演示

通过ZMP步态规划、40自由度分布和感知处理流程，直观展示GR-1人形机器人的核心技术架构。

硬件设计：机器宝宝的骨骼与肌肉

宝宝学走路前，先要长出一副能撑起身体的骨架。骨头粗壮、肌肉有力，才站得稳、跑得快。傅利叶GR-1 的诞生也是这个顺序：设计师先为它打造一整套“骨骼与肌肉”，也就是机械本体与关节模组。没有这套底子，后面所有算法都是空中楼阁。

GR-1 身高 165 厘米、体重约 55 公斤，全身有 44 个自由度。自由度可以通俗理解为“能独立活动的关节数”。每个关节像宝宝的肘、膝一样，由电动伺服电机配合谐波减速器构成——电机负责出力，减速器把高速旋转降成大力矩的慢转动，相当于“肌肉加韧带”的组合。

硬件设计中最核心的问题是“关节够不够力”：每个关节需要输出多大扭矩，直接决定机器人能否扛起自重、搬运物体。设计时工程师会计算最恶劣姿态下关节的受力需求，再留出安全余量。头部、胸部、腕部的感知器件布局，则决定了“眼睛”长在哪、看得远不远。

骨骼与肌肉的底子打好后，小傅才有资格开始学走路。硬件只是“天赋”，真正的难关，是像宝宝一样迈出第一步而不摔跤。

运动控制：小脑平衡的艺术

宝宝学走路最怕什么？摔跤。人类靠小脑时刻计算重心该往哪放，机器人没有小脑，只能用算法来“补课”。GR-1 的运动控制系统，核心是一套叫做 ZMP（零力矩点）的理论——这是它站稳、走路、爬坡的底层逻辑。

通俗地说，把机器人的重心垂直投影到脚掌上，只要这个投影点始终落在脚掌接触地面的范围（支撑面）内，机器人就不会翻倒。走路是“走一步、稳一步”：步态规划先生成迈腿的轨迹，全身力控实时补偿路面不平和被人推搡的干扰，姿态稳定算法则像不倒翁一样把躯干拉回正中。

这套“三步走”环环相扣：步态规划负责“想好往哪迈”，全身力控负责“路上遇到坎也不慌”，姿态稳定负责“身子歪了立刻改”。三者叠加，GR-1 才能做到平地行走、上下缓坡，甚至在轻微撞击后快速找回平衡。

凭借这套“小脑功夫”，小傅能平稳行走、上下坡，被推一下也能踉跄着找回平衡——就像宝宝在学步带里摇摇晃晃却始终没有摔死磕。运动控制让机器人“站得住”，但站住之后往哪走、躲什么，还得靠眼睛。

感知系统：机器宝宝的眼睛和耳朵

学会走路还不够，宝宝得睁开眼睛看世界。GR-1 的头部、胸前搭载了深度相机、激光雷达和麦克风阵列，构成它的感知系统。没有感知的机器人像蒙眼走路，一步都不敢迈。

感知系统各司其职：视觉 SLAM 负责边走路边建地图、实时定位，解决“我在哪、路在哪”；深度相机利用双目视差测量距离，解决“杯子离我多远”；六维力觉传感器提供触觉，解决“手碰到东西用了多大力”。最后，多模态融合把视觉、力觉、听觉统一成一份“世界快照”，供上层决策使用。

双目测距的原理和人类两只眼睛一样：左右相机同时拍下目标，物体在两个画面里的位置会有差别，这个差别叫视差。物体越近，视差越大。工程师用一条简洁公式把视差换算成距离，深度相机每秒执行数十次，机器人因此能实时躲开障碍物、伸手够到目标。

有了眼睛和耳朵，小傅能看清路、认出人、听懂“把球捡起来”的指令。看清物体之后，真正见功夫的是“伸手去抓”——这是下一节上肢操作要解决的事。

上肢操作：学会双手的本事

宝宝的第二项大本领是伸手抓东西：抓得稳、放得轻、不碰倒旁边的东西。GR-1 的双臂和灵巧手，要靠一整套上肢操作技术才能做到这一点。抓取看似简单，实则要同时处理“抓哪、怎么抓、用多大力”三个问题。

抓取规划先根据视觉给出的位置和形状，选择捏、握还是托；阻抗控制让手臂像弹簧一样柔顺，碰到硬物不硬顶，而是顺着力让一让；精细操作负责插拔插头、拧螺丝这类毫米级动作；模仿学习则让工程师“示范一次，机器人就能学会”——这也是近年来训练成本大幅下降的关键。

阻抗控制可以这样理解：把手臂想象成一根弹簧，弹簧的“硬软”由刚度系数 K 决定。期望位置与实际位置差得越多，手臂就越用力把偏差“弹回去”，但遇到障碍时又不会死磕到底。正是这种“该硬则硬、该软则软”的特性，让机器人既能牢牢握住扳手，又能轻轻捏起鸡蛋而不捏碎。

上肢操作让小傅像个手巧的孩子，而真正让它从“工具”变成“助手”的，是大脑——具身智能让机器人不仅会做，还知道什么时候该做什么。

具身智能：长出会思考的大脑

宝宝长到四五岁，不再只会模仿，而是能听懂“帮奶奶把杯子端过来”这种完整指令。这就是“具身智能”的意义：让机器人在真实物理世界里理解、规划、行动。GR-1 的“大脑”，由多模态大模型、任务规划、世界模型和端到端学习共同组成。

多模态大模型负责“听懂人话、看懂画面”，把自然语言转成机器可执行的目标；任务规划把“端茶倒水”拆成“走到桌前→拿起杯子→递给客人”一串子步骤；世界模型让机器人能在头脑中预演动作后果，避免“把杯子撞翻”；端到端强化学习则像打游戏攒积分一样，通过大量试错自动学会新技能。

强化学习的目标函数可以这样看：机器人每做一个动作，环境就给一个打分 r_t，做对了加分、做坏了扣分。训练就是不断调整大脑里的神经网络参数 θ，让“未来所有得分的总和”尽量大。由于环境有随机性，工程师还要对多次尝试取平均，这就是期望符号 E 的含义。

学到一身本领的小傅该“毕业上班”了。把机器人从实验室送进工厂、展厅和养老院，靠的是产业化能力——别小看这一步，它往往比技术本身更难。

产业化进展：从实验室走上岗位

宝宝学完本领要走向社会，机器人也一样。2024 年，傅利叶宣布 GR-1 进入量产交付阶段，让它从“演示品”变成“劳动者”。目前 GR-1 已出现在科技馆导览、工厂巡检、高校科研、康养陪护等场景中，成为国内少数真正对外交付的人形机器人。

产业化的核心是成本。人形机器人的研发、产线属于一次性巨额投入，而每一台的零件和人工也会随着制造不断产生。量产的意义在于“摊薄”：造得越多，研发和产线成本被分摊到每台机器上的份额就越小，单台价格才能从百万元级降到普通企业用得起的水平。

傅利叶还采取开放式生态合作策略，向高校和开发者开放接口，让第三方为 GR-1 开发应用。这种做法很像智能手机的“应用商店”：硬件是底座，生态是放大器。谁的生态更繁荣，谁就能更快找到刚需场景、积累真实使用数据，形成“越用越好、越好越用”的正循环。

小傅在中国“毕业上岗”了，但放眼全球，它还有一群强劲的“邻家孩子”。横向看看对手，才知道自家孩子的真实水平。

国际对比：与世界选手同台竞技

人形机器人这条赛道上，GR-1 不是唯一的选手。特斯拉 Optimus 押注规模量产，马斯克放话要把成本压到 2 万美元级别；波士顿动力 Atlas 擅长跑酷和后空翻，运动能力惊艳但商业化进度缓慢；国内还有宇树、优必选等厂商同台竞争。每家的“性格”完全不同。

GR-1 的优势在于工程化节奏快：率先面向商业客户交付，形态沉稳、接口开放，适合落地部署。差距则体现在运动鲁棒性和软件迭代上——Atlas 能完成的高难度动态动作，GR-1 暂未展示；Optimus 背靠特斯拉的车规供应链和 AI 团队，软件迭代速度极快。可以说，硬件上大家已处于同一代际，真正的分水岭在软件和数据。

衡量一台人形机器人硬件水平，业界常看“扭矩密度”：同样重量的关节，力气越大越好。它决定了机器人能不能在有限重量里塞进足够的爆发力——这就像两个体重相同的孩子掰手腕，谁的手臂更快发力谁就赢。扭矩密度越高，越说明电机、减速器和结构设计三者配合得当。

看清了差距，也就看清了方向。成长的烦恼摆在面前：电池续航、数据稀缺、安全伦理……这些问题既是瓶颈，也是下一波机会的入口。

机遇挑战：成长的烦恼与未来路线

小傅的成长并非一帆风顺。当前 GR-1 这类人形机器人面临三大“成长的烦恼”：一是续航和算力——电池只能支撑两三个小时，机载算力也远不如云端服务器；二是数据困境——人类走路的动作数据“免费”可得，但机器人在真实世界操作的优质数据极其稀缺；三是安全伦理——机器人进入家庭和工厂，如何保证不伤人、责任如何界定，尚无成熟答案。

技术瓶颈催生了明确的发展路线：短期内从导览、巡检、科研等受控场景切入，用真实运营积累数据和信任；中期提升单机自主性与多功能性，向养老护理、家庭服务渗透；长期则通过数据飞轮和世界模型，逼近通用具身智能。这条路线并非 GR-1 独有，而是整个行业的共识。

数据对具身智能的重要性可以用一条“学习曲线”概括：任务误差随着训练数据的增加而指数级下降。数据就像宝宝成长中的“见世面”——见过的场景越多，应对新情况就越从容。谁先拥有海量真实操作数据，谁就能在通用人形的竞赛中占据先机。

小傅的故事讲到这里：从一副好骨架，到走稳路、看清路、抓得住、想得明，再到量产上班、和全球选手同台竞技。它的成长档案，其实正是国产人形机器人产业的一个缩影。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-"""GR-1 单足站立场景的 ZMP 稳定性校验简化模型"""  class ZmpBalance:    def __init__(self):        self.mass = 55.0          # 机器人质量 kg        self.gravity = 9.8        # 重力加速度 m/s^2        self.foot_len = 0.30      # 脚掌前后长度 m        self.body_height = 1.30   # 质心高度 m     def calc_zmp(self, com_x, acc_x):        # 倒立摆模型: 水平加速时重心投影会相对向后偏移        return com_x - (self.body_height * acc_x) / self.gravity     def stability_margin(self, com_x, acc_x):        zmp = self.calc_zmp(com_x, acc_x)        margin = self.foot_len / 2.0 - abs(zmp)        return zmp, margin     def is_stable(self, com_x, acc_x):        zmp, margin = self.stability_margin(com_x, acc_x)        return margin >= 0, zmp, margin  def main():    robot = ZmpBalance()    scenarios = [        ("缓慢前倾", 0.02, 0.5),        ("正常行走加速", 0.02, 1.2),        ("急停避障", 0.02, 5.0),    ]    for name, com_x, acc_x in scenarios:        stable, zmp, margin = robot.is_stable(com_x, acc_x)        state = "稳定" if stable else "倾倒风险"        print("场景:%s 加速度:%.1f m/s^2 ZMP:%.3f m 余量:%.3f m -> %s"              % (name, acc_x, zmp, margin, state))  if __name__ == "__main__":    main()

1. self.body_height = 1.30质心高度越高，同样的加速度会把 ZMP 推得越远，稳定性越差。
2. return com_x - (self.body_height * acc_x) / self.gravity核心公式：加速时重心投影相对向后偏移，这是 ZMP 的本质。
3. margin = self.foot_len / 2.0 - abs(zmp)用“脚掌半宽减去 ZMP 到中心距离”得到稳定余量，余量为正即安全。
4. ("正常行走加速", 0.02, 1.2)模拟 GR-1 起步瞬间的加速度，验证步态规划有没有留给 ZMP 足够余量。

常见误区

面试题