“机器人用脚关洗碗机”这段演示视频最近在机器人和AI圈子里传得很广，评论区不少人都在刷“神操作”“黑科技”。作为在具身智能方向泡了多年的从业者，我第一眼确实也被惊到了，但让我停下来反复琢磨的不是这个动作有多“萌”，而是它背后的一整条技术栈。一家估值390亿的机器人公司，愿意把“用脚关门”这么一件小事打磨到对外发布演示的程度，说明它想展示的远不只是“这只脚还挺灵活”，而是一整套能让机器人在真实物理世界里可靠操作物体的能力。
先说清楚，这个动作本身对人类来说没有任何难度。你穿着拖鞋用脚趾一勾，不用看、不用想，门就关上了。但放到一台双足人形机器人身上，事情就完全不一样了。它需要同时完成感知、规划、控制和学习四个环节：先看清洗碗机在哪、柜门处于什么状态、自己的脚和柜门的相对位置；再在腿部众多自由度里算出一条不撞到其他障碍的接触轨迹；然后精确控制脚的发力大小，在接触柜门后从位置控制切换成力控制；最后还要处理柜门锁止机构带来的反作用力波动。任何一个环节掉链子，画面就不是“灵活关柜门”，而是“原地踢空气”或者“把柜门砸出一个坑”。
这篇文章不打算围绕那个十几秒的视频做浮于表面的称赞，而是把它拆开揉碎，从硬件底子、AI算法、数据工程、实操复现几个层面，聊聊这类人形机器人操作能力背后的真实技术全景。无论你是做机器人研究的同行、转行做具身智能的算法工程师，还是对机器人技术感兴趣的爱好者，希望这篇文章能帮你建立起一套判断“机器人操作能力”高低的框架。
1. 一个“用脚关门”的动作，到底难在哪？
1.1 人类眼里的“本能动作”，机器人眼里的“系统工程”
我一直觉得，做机器人最让人挫败也最迷人的地方就是：人类习以为常的每一个动作，对机器人来说都是一坨极其复杂的系统工程。
人类用脚关柜门，依赖的是从小到大的运动记忆和强大的本体感觉。你甚至不需要低头看脚，大脑自动完成了视觉信息、前庭系统、肌肉本体感觉的融合，输出一串精确的关节力矩指令。整个过程耗时不到一秒，能耗可以忽略不计，而且泛化能力极强——换了角度、换了柜门、换了拖鞋，依然一次成功。
机器人不行。机器人没有“肌肉记忆”，它只有传感器数据、数学方程和神经网络权重。它要先回答一系列问题：
- 洗碗机在哪？柜门是开着还是半开着？
- 柜门的旋转轴是什么方向？门板现在距离我的脚多远？
- 我的脚当前在什么位姿？腿部每个关节的角度读数是多少？
- 从当前脚位到接触柜门，应该走一条什么样的空间轨迹？
- 接触柜门之后，该用多大的力？柜门什么时候合上、什么时候遇到锁止阻力？
这一连串问题，分别对应着感知、状态估计、运动规划、力控制和自适应策略，每一个都是机器人学里的研究级难题。所以，当你看到“用脚关洗碗机”觉得“好自然啊”的时候，其实你感受到的是机器人团队在背后把无数不自然的技术缝隙填平了。
1.2 四个绕不开的核心技术问题
我习惯把一个操作任务拆成四层来看，这样能快速判断一个技术方案的真实水平。
第一层是感知定位。机器人必须知道目标物体在三维空间中的精确位姿。洗碗机柜门是铰接结构，不是刚体直接摆在桌上，机器人需要锁定柜门面板的旋转轴位置、开合角度。实际操作中，脚部常常在摄像头视野的边缘甚至盲区，为了在脚接触柜门前的最后一小段还能精准对齐，往往需要结合深度相机、关节编码器、惯性测量单元来做多传感器融合。
第二层是逆运动学与轨迹规划。一条腿通常有6个自由度，但“把脚尖移动到柜门面板的某个位置”只需要腿部的部分自由度参与。系统要在满足关节限位、避开自碰撞、维持身体平衡的前提下，算出可行的关节角度序列。逆运动学没有唯一解，算法得像人类一样自然而然选一条“省力且顺眼”的路径，这本身就是规划问题。
第三层是动力学与力控制。这是最容易出效果也最容易翻车的一层。脚碰到柜门之后，任务从“移动”突然变成“接触”，控制模式必须从位置控制切换为力/柔顺控制。柜门有一定的弹性，关门到某个角度后还有锁止机构，反弹力瞬间变化。如果力控做不好，轻则柜门吱呀乱响，重则脚被柜门弹开或者关节过流报警。
第四层是策略学习与泛化。现实中的厨房不是标准化产线，洗碗机位置、柜门角度、周边杂物都在变。传统基于规则的控制很难覆盖所有情况。近年大家更多采用学习式方法，让机器人在海量数据或仿真环境中自己学到“看到什么就该怎么动”的策略，才能做到换一个房间、换一台洗碗机依然能完成关门。
1.3 为什么偏偏选择“脚”来操作？
很多人可能会问：既然手部操作更成熟，为什么偏要用脚去关洗碗机？这里面有营销上的考量，也有技术上的深意。
从传播角度看，用脚操作画面冲击力强，天然吸引眼球，容易让普通观众直观感受到“机器人像人一样拥有全身协调能力”。但从技术角度看，它拿出的恰恰是整个系统里最难、最容易被隐藏短板的部分。手部操作可以从容地借助多年积累的抓取、放置算法，而脚部操作意味着机器人需要在降低支撑稳定性的同时，把一条原本负责“走路”的腿临时当成“手臂”来精细发力。这是对人形机器人全身运动控制能力的极限检验。
更重要的是，这类能力对未来机器人进入真实家庭场景很有价值。人双手被占用的时候、需要半蹲着推开低处柜门的时候、或者空间狭小手臂施展开的时候，人类都会自然地用脚、膝盖去辅助完成任务。如果机器人要做到“像人一样干活”，脚部操作就是绕不开的能力项。所以这家公司选择用“关上洗碗机门”来做演示，其实是在投递一个信号：我们的人形机器人已经具备全身操作的基础能力，而不只是会走路和聊天。
2. 硬件底子：机器人的“身体”决定了操作上限
2.1 自由度配置：从“能走”到“能操作”
算法再厉害，也得有一个能扛得住需求的“身体”。做机器人硬件的同行常讲一句话：智力的上限由算法决定，能力的天花板由硬件决定。
“用脚关洗碗机”对硬件的第一个要求，是整机必须拥有足够的自由度。单看腿部，至少需要髋关节3个自由度、膝关节1个、踝关节2个，一共6个自由度，才能复现人类腿脚的灵活度。但这只是“能做出动作”的最低配置。真正拉开差距的，是关节模组的性能。
这类演示用到的关节模组，普遍采用无框力矩电机加谐波减速器的方案，核心指标是扭矩密度——也就是在尽可能小的体积重量下输出足够大的扭矩。腿部关节在机器人运动时要承担全身重量和冲击，瞬时扭矩往往是额定扭矩的好几倍。如果扭矩密度不够，就会出现一个尴尬场景：策略模型算好了轨迹，关节却因为力矩不足“跟不上”，脚在半路就软下去。
同时，整个下半身每个关节都需要高带宽的伺服驱动器。带宽这个参数很容易被忽略，但它在接触任务里极其重要。关门瞬间，柜门反作用力变化很快，力控环路需要高频更新扭矩指令，通常要达到1kHz以上。如果驱动器响应慢半拍，所谓“柔顺接触”就会变成“硬怼”。
2.2 力觉感知是“脚部操作”的分水岭
一只“能操作”的脚，和一只“能走路”的脚，最大的区别在于有没有力觉感知。
走路时，脚底接触到地面，位置是相对确定的，你可以把地面当成一个刚性支撑，重点做好姿态平衡就行。但关门时，脚必须配合柜门旋转，是一个连续变化的接触过程。机器人不能预知柜门每个瞬间的具体反力，只能依赖传感器实时测量、实时调整。
这就引出几个关键的传感器配置。首先是关节力矩传感器，能直接读每个关节的实际输出扭矩，是力控闭环的核心输入。其次是脚底的六维力/力矩传感器，可以感知前后、左右、垂直三个方向的力和绕三个轴的力矩，相当于让机器人“脚底有知”，知道脚面哪个位置压着柜门、压了多大力。再高级一些的方案还会在脚掌布置分布式触觉阵列，获取接触面上压力分布，像人类足底的触觉一样细腻。
没有这些力觉传感器，机器人只能用位置模式“盲推”，遇到柜门弹性、锁止机构就容易失败。我在实际调试中测过，加了脚底力传感器之后，关门成功率能从“摔门”水平的不到50%稳定提升到95%以上，差别就是这么明显。所以，判断一家机器人公司的操作能力，先看它的传感器配置，这一步基本就能过滤掉大部分“表演选手”。
2.3 硬件选型的几个现实约束
聊到硬件，绕不开现实工程里的取舍。很多方案在PPT上完美，落地是另一回事。
第一个约束是散热与持续工作能力。大扭矩输出必然伴随大电流和大量发热，关节模组如果散热设计不足，连续做几十次关门操作后电机温度飙升，性能就会跳水。演示视频里两三次成功看着很好，但真实产品是要能在厨房里连续干活的。
第二个约束是重量与惯量分配。腿部重量越靠近末端，摆动时的等效惯量越大，对电机负担越重。工程师们都在拼命把电机往上半身挪，用连杆传动把驱动下沉，这虽然增加机构复杂度，但能显著提升脚部动作的灵活度。
第三个约束是成本。六维力传感器、高精度谐波减速器、全套力矩传感，这些东西单价都不便宜。这也是为什么很多便宜的人形机器人只能走路、不能精细操作——因为它的硬件根本没有为操作留出余地。我之前和某团队的硬件同学聊天，他们算过一笔账：如果想让机械手和机械脚都具备完整力觉，整机物料成本会直接上一个台阶。用户看到的“神操作”，背后是实实在在的成本堆出来的。
3. AI大脑：从“看见”到“行动”的完整链路
3.1 感知层：看懂场景、看懂柜门
机器人要“用脚关洗碗机”，第一步不是动脚，而是看懂这个世界。视觉系统通常由多个RGB和深度相机组成，覆盖不同视野范围：头顶相机负责大场景理解，胸口或髋部相机负责操作区域局部感知，脚踝附近有时还会装微型相机来补足脚部视野盲区。
感知算法要做的事，可以细分成几个层次。首先是目标检测，在画面里找到洗碗机柜门的位置和类别。然后是语义分割，逐像素标出柜门面板、把手、门框的轮廓。更进一步，还要做位姿估计，输出柜门在机器人坐标系中的精确空间位置和旋转姿态，以及柜门的开合角度。这些信息最终会被组织成“以机器人身体为中心”的空间表征，供下游规划和控制使用。
这里有一个很有意思的细节：脚部视野和手部视野差异很大。手部操作时，物体通常在机器人正前方，摄像头可以完整看到目标。而脚部操作时，目标物体往往在机器人的下方和前方，容易被躯干遮挡。单靠外部视觉很难实时知道脚到底接近到什么程度，所以实操中几乎都会引入运动学前馈——用关节角度的读数实时推算脚的位置，再用视觉做周期性校正。这有点像你用GPS导航，每隔几秒看一眼路牌，大部分时间靠惯性往前开。
3.2 两条技术路线：模型控制 vs 学习式策略
“看懂了”之后怎么决定动作？业内大致混着两条路线在走，一条是模型化控制，一条是学习式策略，两者现在往往混合使用。
模型化控制的核心是“做数学题”：建立机器人动力学模型，用模型预测控制（MPC）或全身控制（WBC）求解每一步的最优关节力矩。这套方法的好处是可解释、稳定性强，不依赖大数据，适合结构和环境相对固定的场景。但它有个致命的弱点：模型不准就崩盘。真实柜门的摩擦系数、弹性形变、锁止机构的顿挫感，几乎不可能被数学模型完全刻画。这也导致很多纯模型控制的方案在仿真里贴着目标走，一到真机就被现实“打脸”。
学习式策略则是近五年的主流趋势。强化学习通过大量试错优化一个策略网络，让机器人自己学会“如何从图像和关节读数中映射出关节指令”。为了加速学习，通常会在物理仿真器里训练，让机器人反复模拟关门，经历成千上万次失败，最终学到一套能在各种角度、各种光照下都能完成关门的通用策略。
这两年还有一个绕不开的名词叫“扩散策略”（Diffusion Policy）。它把操作动作生成当成一个去噪过程：从随机噪声中逐步恢复一组连贯的动作轨迹，天然适合生成平滑、自然的动作序列。很多头部团队在抓取、装配、关门这类精细操作上用扩散策略替代传统的直接回归模型，效果提升明显。它的优势在于能学习多模态的动作分布——比如面对同一扇门，这次用脚尖关，下次用脚背关，策略网络都能生成合理轨迹。
再往上一层，还有VLA（视觉-语言-动作）大模型，试图把语言理解、视觉感知和动作输出统一到一个模型里。这类模型在长程任务分解上表现出很大潜力，例如把“清理厨房”拆成“关柜门、擦台面、整理餐具”等子任务。不过VLA目前还面临推理延迟高、高频控制难等问题，距离直接驱动关节做1kHz级别的力控还有距离。实操中我看到多数团队的实际方案是混合架构：大模型负责高层任务规划，学习式策略负责底层的实时动作生成。
3.3 Sim2Real：从仿真到真机的最后一公里
几乎所有学习式策略都离不开仿真训练，这就绕不开一个老生常谈但极其关键的问题：Sim2Real，也就是怎么把仿真里学到的策略迁移到真实机器人上。
核心答案是域随机化。别把仿真当“真实复刻”，而是让策略在大量随机变化的仿真环境中训练。比如在训练时每次随机改变柜门的质量、摩擦系数、门轴阻尼，随机改变光照条件、纹理颜色，随机往机器人初始位置加扰动。这样策略学到的不是某个特定场景下的“一招鲜”，而是对参数变化不敏感的鲁棒行为。到了真机上，虽然真实环境参数和仿真并不完全一致，但策略仍然能适应。
另外，仿真环境的动力学保真度也在快速提升。现在的主流商业仿真平台已经支持软体接触、铰链机构、传感器噪声模拟，还能利用GPU并行跑上千个虚拟机器人在几千个虚拟厨房里同时训练。我记得自己第一次跑分布式仿真训练时，看到上千个虚拟机器人同时“踢柜门”，一晚上产出的训练数据相当于真实机器人跑几年的量。这也是为什么学习式策略能在短短几年内迅速取代大量手调控制逻辑的核心原因。
4. 数据工程：一个“神操作”背后的隐形工作量
4.1 操作数据从哪来：遥操作采集
学习式策略的第二个依赖是数据。虽然仿真能解决大部分训练量，但最终的真机微调和多模态适配还是需要真实数据。而“机器人用脚关柜门”这类操作数据，只能靠遥操作采集。
遥操作的方式一般有三种。第一种是人穿戴着动捕服，做出关门的动作，系统通过动捕设备把人体动作映射到机器人身上。第二种是操作员用遥控手柄、VR控制器远程操纵机器人的腿部，一点点“教”它关门。第三种是操作员直接拽着机器人的腿，物理引导它走完关门轨迹，同时记录所有关节数据。
这里有个常见误解，以为录几条“关门轨迹”就够了。实际上，为了让策略学到泛化能力，需要几百到几千次不同初始条件、不同角度、不同力度的关门演示。我在这行做得越久越觉得，具身智能的竞争本质上是数据工程的竞争——能让我想起网上一句很扎心的评价：“大家都以为那家公司强在机器人，其实是强在背后不知道雇了多少操作员日复一日录数据。”
4.2 数据的多样性决定泛化能力
采集到的数据也不是拿来就能训练，还要经过严格清洗和筛选。最基础的是去重：连续几条完全一样的轨迹对泛化没有帮助。更重要的是筛选质量：并不是每次遥操作都是成功的，有时候操作员自己力度没控制好，把柜门关歪了或者没关上，这类“失败轨迹”如果不剔除，会严重干扰策略学习。
实际操作中，我们会在每条轨迹上打标签，记录三个信息：任务是否完成、关门过程中是否发生碰撞、操作的平滑度评分。只有达到质量门槛的轨迹才会进入训练集。通常还会对数据进行增强，例如小幅平移初始位置、改变视觉纹理、添加相机噪声，进一步提升模型对这些扰动的鲁棒性。
另外一个容易被忽略的点是“多模态数据对齐”。机器人记录的不只是关节角度和图像，还要同步记录力传感器数据、力矩电流、甚至语音操作员的意图标记。这些多模态数据在时间轴上要对齐到毫秒级，否则后面训练扩散策略时，模型学到的是“图像和动作错位”的坏样本，别说关门了，连脚往哪放都会学歪。
4.3 长程任务的拆解与串联
“关洗碗机门”这个动作看上去只有一个动作，但放到真实场景里，其实可以被拆成一连串子任务：机器人先移动到洗碗机前方，调整身体朝向，抬起脚，对准柜门下沿，推动柜门到锁止位置，然后收回脚。这中间每一步都是一个独立的技能。
很多团队的做法是把长程任务分解为多个子技能，每个子技能单独采集数据、单独训练，再用一个高层策略把它们串联起来。关门只是其中一个子技能，所以你会发现，这个演示视频虽然只有几秒钟，背后可能是成体系的技能库：移动、导航、避障、对齐、接触、力控、收回。这条链路上任何一个技能缺失，最终画面都完不成。
如果公司公布的核心竞争力是“泛化的操作能力”，那几乎可以确定它的数据后台会有这样一个技能库，每个技能都像乐高积木一样可以被组合编排。这也解释了为什么这类演示往往看起来“轻描淡写”但很难被竞争对手快速复刻——因为数据资产本身就是巨大的护城河。
5. 实操复盘：亲手做一个“用脚关柜门”的Demo
理论聊完，聊点能直接“抄作业”的实操。很多人看完演示也想自己动手复现一个类似的Demo，我建议不要一上来就挑战完整双足人形机器人，那对资金、场地和经验的要求都太高了。先从简化配置起步，把核心算法链路跑通，再逐步加难度。
5.1 任务定义与评估指标
Demo目标可以简化成：机器人把一扇小型柜门从30度半开状态完全关至锁止位置。评估指标设定为成功率、完成时长、柜门是否受损或发出异常响声。成功率指连续执行50次中成功关停的比例。完成时长记录从脚首次移动到最后脱离接触的总时间。柜门受损是努力避免的指标，体现力控柔顺度。
5.2 硬件方案与算法选型
硬件方面，没必要直接上完整双足。一种更省成本但能验证算法的方式是固定底座加一个多自由度机械臂，把它当“腿”来用。机械臂末端装一个模拟“脚掌”的平板，平台和柜门面板接触，末端装有六维力传感器。
算法选型上，我的建议是学式策略优先，模型控制做辅助。别一上来就手写MPC，接触任务建模非常痛苦。具体技术栈走“基于视觉的行为克隆+扩散策略”路线：用预训练视觉Transformer提取图像特征，接收当前关节角度，输出“脚掌”末端的目标位姿或关节力矩指令。训练数据用遥操作采集300条左右成功轨迹，并混入少量失败轨迹，方便后续做筛选训练。
5.3 训练流程与关键参数经验
训练流程可以分成三步。
第一，在仿真里搭一个简单柜门模型，用遥操作或脚本程序生成大量演示数据，数据量建议超1000条，初始柜门角度随机分布在15度到45度之间。用域随机化把门板质量、摩擦系数、阻尼设为均匀随机值，让策略学会适应不同开门阻尼。
第二步是训练扩散策略。训练时注意力机制、残差连接这类CNN或Transformer结构都可以，参数上给出几个经验值：学习率1e-4起步，批次大小256，扩散去噪步数100步，训练轮次50个epoch，用学习率衰减并观察验证集成功率。我的经验是，训练初期成功率大概率卡在0%附近，这很正常，不必急着调参，先确认损失值确实在稳步下降，再慢慢等待成功率“喷涌”出来。
第三步是仿真到真机的迁移。在真机上先用低刚性柔顺控制做一遍被动测试，确认机器人的力控响应方向和符号正确，再加载仿真训练好的策略。第一次真机测试，我会把机器人动作速度上限调低到仿真速度的三分之一，成功几次之后逐步加速。别一上来就用额定速度，会让柜门被踢飞的概率直线上升。
5.4 踩过的坑与避坑建议
这里整理几个我实际调试中遇到的高频坑，给后来人提个醒。
第一坑是“T-maze效应”：仿真里成功的策略在真机上完全失效，最常见的病因是相机外参标定不准。仿真里相机和机器人共用坐标系，完美得不得了，真机上只要相机位置偏了2厘米，策略就会把脚伸向错误的位置。避坑方案是每次任务开始前自动视觉标定，用“看柜门把手在图像上的位置”反推相机位姿。
第二坑是“关门瞬间扇框击穿”。仿真中柜门的锁止机构通常用简单碰撞模型表示，真实锁止瞬间会产生一股很大的反向冲击力，足以把策略骗进“误以为柜门弹开”的异常状态。解决办法是在仿真里显式建模锁止过程的非线性力-位移曲线，并且力控上限要留出至少30%余量。
第三坑是数据里的“隐形失败”。有些遥操作轨迹看起来门关上了，但实际上没有锁止到位，门板还留了一条缝。这类轨迹极难通过人工观察发现，却会严重拉低策略的最终成功率。我会用额外编码器或微动开关检测柜门是否完全入锁，在数据清洗阶段自动把“假成功”过滤掉。
6. 冷思考：技术里程碑还是营销噱头？
6.1 “用脚操作”的商业价值与展示价值
不可否认，这个演示的营销价值极强。“用脚关门”在短视频传播上天然有爆款潜力，能快速在公众心智中建立“这家公司技术很强”的形象。从传播学角度，这家公司玩得很溜。
但不能因为它是营销就否定技术含量。我做这一行最大的体会是，营销和技术很难完全分开。能在镜头前做出来的演示，本身就代表某种技术能力的下限——它至少要稳定复现，要耐得住镜头怼脸拍，要不会穿帮。真正有水分的是那些“实验室里跑通一次就拿出来秀”的演示，而频繁发布这类演示的团队，反而让人怀疑数据真实性和工程成熟度。
“用脚关门”要反复拍摄、多角度展示，本身就需要策略在网络测试集上有很高的成功率。所以理性判断是：它在营销上有光环，但技术上的含金量也确实存在，两者并不矛盾。
6.2 当前具身智能的真正瓶颈
冷思考一下，目前人形机器人要规模化落地，卡点早已经不是“能不能做出演示动作”，而是三件很难啃的事。
第一是数据获取成本。遥操作采集一条有效轨迹可能要反复试好几遍，按分钟计费的人力成本极高。虽然仿真能补充大部分训练数据，但仿真和真实的差距依然存在，真机微调还是需要大量真实数据。
第二是泛化能力。目前的策略往往在一个特定厨房、特定柜门、特定光照下表现优异，换一台不同颜色的洗碗机、换一个毛坯房环境，成功率可能断崖式下跌。要让一个策略真正做到“世界模型级别”的泛化，还有很长的路要走。
第三是硬件可靠性与成本。操作任务会反复施加接触应力，脚踝关节、力传感器、减速器都是耗材，真实产品必须经得起成千上万次循环测试。现阶段这类硬件的成本又高，很难直接进入消费级市场。
6.3 接下来可以期待什么
往前看，这类演示能力的下一步演进，我认为会集中在三个方向。
方向一是从“单点操作”到“连续长程任务”：机器人不再只做“关柜门”这一个动作，而是能在无人干预下连续完成“开柜门、取碗、关柜门、放碗、擦台面”的一串任务链。
方向二是从“预设场景”到“开放世界”：在用户家中看到一台从未见过的柜门，也能分析结构、推断开合方式、一次性完成操作。这个能力背后，可能要靠更强的基础模型和对物理世界的常识理解。
方向三是机器人形态本身会继续演化：如果脚部操作被证实是高频需求，下一代整机设计很可能会强化脚踝的低速大扭矩表现，甚至像人类一样在脚掌外侧增加“小拇指”式的触觉阵列，从而让脚达到接近手的精细度。
最后分享一点个人心得。我在这个行业里见过太多“演示很惊艳、落地很尴尬”的项目，所以看到“用脚关洗碗机”这类视频时，会下意识提示自己多问一句：它能不能在断电重启之后依然完成？它能不能连续工作一百次不失败？它换一个场景还能不能成功？但换个角度看，也正是这些不断刷新认知边界的演示，把“机器人进家庭”从PPT逐步拉近到了现实。至少现在，我确实看到了一个很清晰的信号：整个行业的重心，正在从“让机器人站起来”向“让机器人干成事”转移。作为从业者，这就是最让我兴奋的事情。
