第一章 机器人学的「灵魂三问」：从自动化到自主化的百年求索

1961年4月的一个清晨，新泽西州通用汽车英格尔伍德压铸车间的工人们正盯着角落里那个银灰色的大家伙，手里的焊钳还滴着火星——这是人类历史上第一台投入工业生产的机器人Unimate，它今天的任务是从800摄氏度的高温压铸机里取出刚成型的汽车保险杠毛坯，再放到冷却台上。当Unimate的液压臂稳稳夹住灼热的金属件，精准放到指定位置时，车间里先是死一般的寂静，随即爆发出混杂着惊叹与不安的掌声。有人拍下了这张历史性的照片：银灰色的机械臂旁站着两个穿工作服的工人，脸上写满了对未知的恐惧与好奇，他们不知道，这个只会重复预设动作的铁家伙，正在拉开机器人学从自动化走向自主化的百年序幕。

1.1 从自动机到智能体：被误解百年的“机器生命”雏形

在Unimate之前，人类对“自动执行动作的机械装置”的探索已经持续了至少两千年。公元前3世纪，古希腊发明家赫伦为亚历山大城的神庙设计了自动开门装置：祭坛点火后，空气受热膨胀推动水力机构，神庙大门缓缓打开，仿佛有神灵驱动；文艺复兴时期的达芬奇留下了机械骑士的设计图，这个依靠弹簧驱动的木质人偶可以坐起、抬手、转动头部，是欧洲最早的人形机械装置记录。但这些被称为“自动机（Automaton）”的装置本质上是纯机械的玩具，没有独立能源，没有反馈机制，只能在预设的条件下执行固定的动作，离真正的“机器人”相去甚远。

第一次工业革命为自动机注入了“灵魂”：1788年，詹姆斯·瓦特为蒸汽机发明的离心调速器，通过感知蒸汽机转速自动调节进气阀，是历史上第一个闭环自动控制系统，奠定了控制理论的雏形；19世纪中后期，继电器、电动机的出现让复杂自动化装置成为可能，流水线的出现让重复性劳动开始被机械替代。但这些装置依然是被动的执行者，没有感知能力，没有决策能力，更谈不上“自主”。

“机器人（Robot）”这个词直到1920年才被捷克作家卡雷尔·恰佩克在科幻剧《罗萨姆的万能机器人》中正式提出，源自捷克语“robota”，意为“强制劳动”。剧中的机器人是能自主思考、自主行动的类人智能体，能代替人类完成所有劳动，最终甚至发起反抗推翻了人类统治。这个充满戏剧冲突的科幻设定，给后来的机器人学埋下了两个核心命题：机器人到底是“工具”还是“生命”？机器人的自主边界到底在哪里？

二战期间，雷达、伺服系统、早期计算机的快速发展，让“智能机器”从科幻走向了技术可能性。1942年，科幻作家艾萨克·阿西莫夫在短篇故事《环舞》中提出了著名的“机器人三定律”，第一次为机器人的行为划定了伦理边界，也让“机器人”从科幻概念正式进入了技术讨论的范畴。1954年，美国发明家乔治·德沃尔申请了“可编程机械臂”专利，他提出了一种可以通过示教存储运动轨迹、重复执行任务的机械装置，这正是Unimate的核心技术原型。1959年，德沃尔与约瑟夫·恩格尔伯格共同创立了Unimation公司，开始量产世界上第一台工业机器人Unimate，1961年这台机器人正式在通用汽车的压铸车间上岗，标志着机器人学从理论走向了工业应用。

但此时的Unimate距离“智能体”还有十万八千里：它没有视觉，没有力觉，甚至没有简单的环境感知能力，只能通过预设的磁鼓存储200个点位轨迹，重复执行取放压铸件的动作，连“判断工件是否到位”的能力都没有。当时的工人给它起了个外号叫“铁傻瓜”，只要不挡在它的运动路径上，它就会永远按照预设的轨迹工作，一旦挡路，它不会减速也不会避让，只会硬生生撞上去。这种“执行预设指令的自动化设备”，正是机器人学最早的形态，也是后续百年演化中，机器人试图摆脱的“自动化枷锁”。

1.2 百年求索：从自动化到自主化的三大技术跃迁

从1961年Unimate上线到现在，机器人学经历了三次明确的技术跃迁，每一次跃迁都对应着核心能力的突破，也对应着感知、规划、控制三大模块从无到有、从分离到融合的演化过程。

第一次跃迁：1960-1980年，自动化时代的“控制为王”

这一阶段的机器人核心是“可编程的自动化执行装置”，核心能力是重复执行预设的固定轨迹，应用场景完全局限在结构化的工业场景，比如压铸、焊接、搬运，环境固定、任务固定、工件固定，不需要机器人有任何环境适应能力。这一阶段的机器人只有一个核心模块：控制模块，负责驱动伺服电机按照预设的轨迹运动，保证重复定位精度。

这一阶段的代表产品除了Unimate，还有1970年代美国Unimation公司推出的PUMA系列机器人，以及1978年日本发那科推出的第一台交流伺服驱动机器人。这些机器人的共同特点是：通过示教器手动拖动机械臂到目标点位，存储轨迹点位，然后重复执行，完全没有感知能力，也没有在线规划能力，换个工件、换个工位就要重新示教，开发成本极高。根据国际机器人联合会（IFR）的统计，截至1980年，全球工业机器人的保有量还不到1万台，全部是这类示教再现型机器人，应用场景仅限于汽车、电子等少数几个行业的少数几个工序。

这一阶段的技术核心是伺服控制技术的成熟：1950年代直流伺服电机的商业化，1970年代交流伺服电机的出现，让机器人的控制精度和响应速度大幅提升，重复定位精度从最初的±1毫米提升到±0.1毫米，满足了工业生产的精度要求。此时的感知、规划模块几乎不存在：感知仅靠关节编码器获取机械臂自身的关节角度，用来做闭环控制，完全没有环境感知能力；规划是离线的，在离线编程软件中提前计算好轨迹，上传到控制器后直接执行，没有在线调整能力。三大模块完全分离，感知仅服务于控制自身的闭环，规划和控制完全割裂，机器人完全是“开环执行”的自动化设备。

> 📌 侧边栏：1960年代工业机器人的局限性 > 当时的工业机器人只能在固定位置工作，必须被安装在安全围栏里，因为一旦有人进入它的运动范围，它不会感知也不会停止，只能靠人工断电防止事故。1974年，英国一家汽车工厂的工人被示教再现型机器人砸伤，成为历史上第一起机器人伤人事故，直接推动了后续工业机器人安全标准的制定。

第二次跃迁：1980-2010年，感知增强时代的“闭环初现”

这一阶段的机器人开始突破“固定轨迹执行”的限制，核心能力是“能感知简单的环境信息，调整自身运动”，应用场景从单纯的结构化工业场景，扩展到了装配、打磨、协作等需要一定环境适应能力的场景。这一阶段的核心变化是感知模块开始与控制模块融合，形成了感知-控制的闭环，机器人第一次有了“适应环境”的能力。

这一阶段的技术突破来自两个方向：一是传感器技术的成熟，1980年代力矩传感器、视觉传感器开始商业化应用，机器人第一次有了“触觉”和“视觉”；二是控制理论的突破，力控、视觉伺服等技术的出现，让机器人能根据感知到的环境信息调整运动。1983年，美国Adept公司推出了第一台搭载视觉传感器的工业机器人，能识别传送带上工件的位姿，自动调整抓取轨迹，不需要人工示教；1990年代，ABB、库卡等工业机器人巨头开始推出力控机器人，通过力矩传感器感知接触力，自动调整运动力度，能完成螺丝拧紧、零件装配等需要力反馈的精细任务。

这一阶段的机器人依然没有在线规划能力，任务逻辑还是提前预设好的，感知的作用只是调整预设轨迹的细节，比如视觉感知到工件位置偏了，就调整抓取点的位置，力控感知到拧紧力够了，就停止拧螺丝，但整体的任务逻辑还是固定的，不能自主决策。但感知-控制的闭环已经让机器人的适应性大幅提升，比如协作机器人的出现，通过力觉感知到人的接触，就会自动停止运动，不需要安全围栏，能和人一起工作，这是机器人从“自动化设备”向“半自主智能体”迈出的第一步。

这一阶段的三大模块依然处于半分离状态：感知模块独立处理传感器数据，输出环境信息给控制模块，控制模块根据感知信息调整运动，但规划模块依然是离线的，提前预设好所有任务的逻辑，不需要在线决策。此时的机器人依然只能完成结构化的、逻辑固定的任务，遇到未预设的情况就会失效。

第三次跃迁：2010年至今，自主化时代的“全闭环融合”

这一阶段的机器人核心能力是“能自主感知动态环境，自主决策任务策略，自主执行复杂动作”，应用场景从工业、服务场景，扩展到了家庭、野外、太空等完全非结构化的场景。这一阶段的核心变化是三大模块完全融合，形成了感知-规划-控制的端到端闭环，机器人第一次成为了真正的“自主智能体”。

这一阶段的技术突破来自三个方向：一是传感器技术的进一步成熟，激光雷达、深度相机、高精度IMU、柔性触觉传感器等成本大幅下降，机器人能获取到更丰富、更准确的环境和自身状态信息；二是计算能力的爆发，GPU、TPU的普及让机器人能实时处理海量的传感器数据，运行复杂的感知、规划算法；三是人工智能技术的突破，深度学习、强化学习、大模型等技术的出现，让机器人的感知精度、规划能力、泛化能力大幅提升。2016年，波士顿动力推出的Atlas人形机器人，能自主在复杂地形上行走、跑跳、翻跟头，甚至能被人推一下后自动恢复平衡，就是三大模块深度融合的代表；2022年，特斯拉推出Optimus人形机器人，搭载视觉感知、大模型决策、全身力控系统，能自主完成叠衣服、搬运物品、倒饮料等复杂任务，展示了通用机器人的可能性。

这一阶段的机器人已经没有了“预设轨迹”的概念，感知模块实时处理传感器数据，生成环境的三维语义地图，规划模块根据任务目标和环境信息，实时生成动作策略和轨迹，控制模块根据规划的输出和感知的反馈，实时调整机器人的运动，三者完全实时交互，形成了完整的闭环。比如Atlas在雪地里行走，感知模块实时感知雪地的摩擦力、地形的起伏，规划模块实时调整步态和落脚点，控制模块实时调整关节的力矩，保证不会摔倒，整个过程完全自主，不需要人工干预。

> 📌 侧边栏：自主化与自动化的核心区别 > 自动化是“预设指令的重复执行”，核心是“确定性”，输入固定、环境固定、输出固定，不需要适应变化；自主化是“基于目标的自主决策与执行”，核心是“适应性”，输入可变、环境可变、输出可变，能根据环境变化自主调整行为。Unimate是自动化的代表，只能重复执行预设的压铸任务；Atlas是自主化的代表，能自主完成复杂的动态环境中的运动任务。

1.3 机器人学的“灵魂三问”：三大核心模块的本质命题

从1961年Unimate上线到现在，机器人学的发展史本质上就是回答三个核心问题的历史，这三个问题也是贯穿本书的核心命题，我们称之为

机器人学的「灵魂三问」：感知之问、规划之问、控制之问。这三个问题不是凭空提出的，而是机器人从自动化迈向自主化的过程中，每一个阶段都必须回答的核心命题，也是过去六十年机器人学界反复探索、至今仍在不断深化的核心议题。要理解这三个问题的分量，我们不妨先把时间拨回1961年Unimate刚上岗的那个清晨：那个银灰色的机械臂没有眼睛，不知道压铸件有没有到位，没有耳朵，听不到工人的提醒，甚至没有触觉，硬生生撞到挡路的工人时也不知道停——它的全部行为都来自磁鼓里存储的200个固定点位，本质上是一个会动的“程序播放器”。而今天的人形机器人已经能在复杂的家庭环境中自主递一杯水，甚至在被人推搡后自动调整姿态保持平衡，两者之间跨越的，正是这三个问题的逐步解答。

1.3.1 感知之问：机器人的“眼耳鼻舌身”，从“盲人摸象”到“全知全能”

感知之问的核心是：机器人如何在不完美的传感器数据中，准确估计自身的状态与周围环境的信息？ 这是机器人自主化的前提——如果机器人不知道自己在哪里、周围有什么，所有的决策和执行都无从谈起。

在自动化时代，工业机器人的感知能力几乎为零：除了关节编码器能反馈每个关节的旋转角度，用来做伺服控制的闭环反馈外，机器人没有任何环境感知能力。当时的工程师给这种机器人起了一个形象的名字：“盲人机器人”。1983年美国Adept公司推出第一台搭载视觉传感器的工业机器人时，整个行业都为之震动：这台机器人能通过摄像头识别传送带上工件的颜色和位置，自动调整抓取轨迹，不需要人工重新示教。这是机器人第一次有了“眼睛”，感知模块第一次从控制的附属功能，变成了独立的核心模块。

但视觉传感器的引入也立刻暴露了感知问题的本质矛盾：传感器数据永远充满噪声和不确定性。摄像头拍到的工件位置可能因为光照变化、遮挡产生几毫米的偏差，激光雷达的点云可能因为灰尘、反光出现缺失，力觉传感器可能因为振动产生干扰信号——感知模块从来不是“还原客观真相”，而是在充满不确定性的信息中做最优估计。1959年鲁道夫·卡尔曼提出的卡尔曼滤波算法，正是解决这个问题的数学工具，它通过动态融合历史状态估计和当前传感器观测数据，在噪声环境下给出系统状态的最优估计，至今仍是机器人状态估计的核心算法。我们可以用其核心的状态更新公式直观理解这一过程： $$\hat{x}_k = K_k z_k + (I - K_k H) \hat{x}_{k-1}$$ 其中$\hat{x}_k$是当前时刻的状态最优估计，$z_k$是当前时刻的传感器观测值，$K_k$是卡尔曼增益，$H$是观测矩阵，$\hat{x}_{k-1}$是上一时刻的状态估计。这个公式的本质是：当前的状态估计，是“相信过去的估计”和“相信当前的观测”的加权平均，权重由两者的可靠性动态调整——如果传感器噪声大，就多相信过去的估计；如果传感器观测准确，就多相信当前的观测。

感知模块的演化经历了三个清晰的阶段：第一阶段是单传感器感知，1980-2000年，机器人主要用单目视觉、激光雷达或力觉传感器单独感知环境，优点是算法简单，缺点是容易受环境干扰，比如单目视觉在光照不足的时候完全失效；第二阶段是多传感器融合，2000-2015年，机器人开始融合视觉、激光雷达、IMU、编码器等多传感器的数据，用卡尔曼滤波、粒子滤波等算法做融合估计，鲁棒性大幅提升，比如自动驾驶汽车同时用激光雷达、摄像头、毫米波雷达感知环境，就算其中一个传感器失效，其他传感器也能补位；第三阶段是语义感知，2015年至今，深度学习技术的引入让感知模块不仅能感知环境的几何信息（比如哪里有障碍物、障碍物有多远），还能感知语义信息（比如这是桌子、这是杯子、这是人），甚至能理解人的指令、人的情绪，这是机器人从“能感知”到“能理解”的核心突破。

> 📌 侧边栏：感知的“不可能三角” > 机器人感知领域长期存在一个“不可能三角”：精度、速度、泛化性三者无法同时满足。高精度的感知算法（比如高分辨率的三维重建）通常计算量大，速度慢，无法满足实时性要求；速度快的算法（比如传统的特征提取）精度低，泛化性差，遇到没见过的场景就会失效；泛化性强的算法（比如深度学习语义分割）需要大量的标注数据，且对计算资源要求高。过去十年，深度学习、Transformer、神经辐射场（NeRF）等技术的出现，正在逐步打破这个三角，让高精度、高速度、高泛化性的感知成为可能。

1.3.2 规划之问：机器人的“大脑”，从“按图索骥”到“自主决策”

规划之问的核心是：机器人如何根据任务目标和感知到的环境信息，自主生成最优的动作序列？ 如果说感知是机器人的“感官”，规划就是机器人的“大脑”，决定了机器人的行为逻辑和决策能力。

在自动化时代，机器人完全没有规划能力：所有动作的轨迹都是工程师提前在离线编程软件里计算好的，上传到控制器后直接执行，遇到任何未预设的情况都会失效。比如早期的工业机器人搬运工件，如果工件的摆放位置偏移了1厘米，机器人就会抓空，因为它的轨迹是提前算好的，不会根据实际情况调整。这一阶段的“规划”完全在人的大脑里完成，机器人只是执行工具。

感知模块的引入让在线规划成为可能：1980年代，视觉伺服技术的出现让机器人能根据视觉感知到的工件位姿，实时调整抓取轨迹，这是最早的在线规划雏形。但这一阶段的规划依然非常初级，只能调整轨迹的细节，不能改变整体的任务逻辑，比如机器人只能调整抓取点的位置，不能自主决定“换个工件抓”还是“换个位置放”。

真正的自主规划能力来自人工智能技术的突破。2000年以后，基于搜索的规划算法（比如A*、RRT）开始成熟，机器人能在动态环境中实时规划无碰撞的运动路径，比如服务机器人能在人来人往的商场里自主移动，避开突然出现的人；2010年以后，深度学习的引入让机器人能处理更复杂的任务，比如让机器人自主完成“整理桌面”这种没有预设流程的开放任务，需要先识别桌面上的所有物品，然后根据物品的类型、位置、用户的习惯，自主决定先放什么、后放什么，放在哪里；2022年以后，大语言模型（LLM）和多模态大模型的引入，让机器人能直接理解人类的自然语言指令，比如用户说“帮我把桌上的红色杯子拿过来”，机器人能自主拆解任务：先找到桌上的红色杯子，规划抓取位姿，规划移动路径，避开障碍物，然后执行抓取和移动，整个过程不需要人工提前编程。

我们可以用下面的分层规划架构直观理解现代机器人的规划逻辑： ```mermaid graph TD A[任务指令: 把桌上的红色杯子拿给用户] --> B[任务规划层: 拆解为找杯子→抓杯子→移动到用户位置→递杯子] B --> C[动作规划层: 规划移动路径、抓取位姿、递送姿态] C --> D[轨迹规划层: 生成关节角速度、加速度曲线，保证平滑无碰撞] D --> E[控制模块执行] ``` 这个分层架构的本质是把复杂的任务拆解为不同粒度的子问题：任务层解决“做什么”的问题，动作层解决“怎么做”的问题，轨迹层解决“怎么动得更顺”的问题，每一层只需要关注自己的粒度问题，大大降低了规划的复杂度。

但规划问题至今仍是机器人领域最大的挑战之一，核心原因是状态空间的爆炸性增长：一个6自由度的机械臂，在一个有10个障碍物的环境里规划一条无碰撞的路径，可能的状态空间是$10^{100}$量级，就算用最快的计算机，也要算几百年才能遍历完。这就是所谓的“规划的诅咒”。过去几十年，机器人学界通过采样算法（比如RRT、PRM）、启发式搜索、机器学习加速等方法，逐步解决了结构化场景的规划问题，但开放环境下的复杂任务规划，至今仍是前沿研究的热点。

> 📌 侧边栏：从“规则驱动”到“数据驱动”的规划范式变迁 > 早期的机器人规划完全靠人工写的规则，比如“如果前面有障碍物，就向左转”，优点是可解释性强，缺点是泛化性差，遇到没写规则的场景就会失效；2010年以后，基于学习的规划方法开始普及，机器人通过大量数据学习规划策略，泛化性大幅提升，比如能处理没见过的障碍物、没见过的任务，缺点是可解释性差，不知道机器人为什么会做出某个决策；现在，规则驱动和数据驱动的方法正在融合，用大模型做高层任务规划，用传统算法做低层轨迹规划，兼顾可解释性和泛化性。

1.3.3 控制之问：机器人的“四肢”，从“生硬执行”到“柔顺协同”

控制之问的核心是：机器人如何把规划好的动作，精准、稳定、安全地执行出来，同时适应环境的扰动？ 如果说感知是感官，规划是大脑，控制就是机器人的“四肢”，直接决定了机器人的执行能力和物理交互能力。

在自动化时代，工业机器人的控制非常初级，主要是开环的伺服控制：控制器给电机发指令，电机转到指定位置就停止，完全没有反馈，也不知道有没有碰到东西。这种控制的优点是简单、成本低，缺点