导语：涵盖的技术领域更广，波士顿动力只是在控制方面做出了逆天成绩。现在的机器人领域还有很多技术问题没有解决，所以我们暂时不可能造出科幻中的那种通用机器人

相信前两天大家的朋友圈都被 Boston Dynamics 的 Handle 机器人刷屏了：

估计这一幕会让不少读者回忆起被『终结者』所支配的恐惧：

↑ 图片出自科幻电影《终结者》

然而，作为一个正奋斗在机器人研究第一线的博士生，我可以负责任地告诉你：完全不用担心！

与一般的技术不同，机器人涵盖的技术领域更广，波士顿动力只是在控制方面做出了逆天成绩。现在的机器人领域还有很多技术问题没有解决，所以我们暂时不可能造出科幻电影中的那种通用机器人。

下面，我就从机器人研究的几个方面来说明为什么我们不需要担心机器人取代人类的事情发生。

（以下非本人熟悉领域的内容均为道听途说，如有误，欢迎在评论区指出）

一、硬件、机构：

感谢机械前辈们几百年的积累，目前在硬件设计方面，实际机器人已经很不错了。下面是几个比较著名的真实机器人：

 ↑ （左）波士顿动力的Atlas，（中）日本产综研的HPR-4C，（右）日本东京大学的Kenshiro

不论是外貌、自由度配置、驱动方式，实际的机器人均有了很不错的成绩。

但是，在能源方面，我们离实用化还有一段很大距离。现在的移动机器人基本上都需要携带一个巨大的电池，续航能力也不行。以这次的Handle为例，它的电池约为3.7KW/h，充满电能行驶约24km，所以这方面只能寄希望于新一代

↑ 这次 Boston Dynamics 的 Handle 就背着巨大的电池

二、感知：

这个包括两个部分：

传感器

首先是听觉传感器，这个似乎没有什么特殊的，现在的机器人都可以配备，普通麦克风即可。

其次，是视觉传感器，现在机器人的视觉传感器应该比人眼更高级：高精度相机、红外相机、深度相机、激光雷达等等。没办法，算法不够，传感器来凑嘛。

之后，是力矩传感器，主要用于检测关节力矩。有了精确的关节力矩才有可能部署一些控制算法、估计环境状态。当然，现在这样的传感器也已经有了，但就是贵。

最后，也是唯一与人类有较大差距的地方，是皮肤触觉传感器：这个基本上还有很多路要走，不信的话看看下图吧。

信号处理算法：当然，这里的信号处理是广义的信号处理，包括普通的滤波、傅里叶变换等，也包括物体识别、语音识别等

物体识别/语音识别：当然，随着近几年深度学习的发展，我们在物体识别和语音处理方面的造诣已经非常厉害了，但是在实际机器人上部署的算法也还比较简单（实际机器人不仅要识别物体、还要定位物体）。

↑ 这是 Boston Dynamics 之前发布的 atlas，依旧是采用二维码进行识别

语义理解：前面的语音识别是指根据声音识别出文字，这里则是理解识别的文字内容。我们现在研究的最高水平，可以参考

环境理解/地图创建：这个简单地说，就是机器人对环境建模的能力，包括地图创建等。现在的机器人在这一块还是比较弱的，即使配备了激光传感器等额外的设备（人仅靠两只眼睛），也只能在一些特定条件下完成地图创建，而基于地图的环境理解也只能算刚起步不久，如下面这个语义地图。

↑ 真正的通用机器人不仅需要能『看到』环境，还应该能『理解』环境

当然，我觉得之后随着深度学习技术在地图创建等领域的应用，（考虑到深度学习对环境理解的能力），这个领域估计有可能在十年内出现可实用的技术。

三、规划：

规划是指根据任务和机器人当前状态，计算出完成这个任务的方法。包括且不限于：

任务规划（将大任务划分为几个小的子任务）

运动规划（机械臂或者足式机器人各关节运动轨迹）

路径规划（其实跟运动规划类似，不过倾向于为移动机器人规划形式路径）

Boston Dynamics 的研究重点一直都是放在控制上，在规划等领域并无成果（至少从他们放出的视频中看不出有这方面研究）。

任务规划

运动规划

路径规划

↑ 小米的扫地机器人已能利用二维地图进行路径规划

当然，这一块需要解决的问题可能是：①动态环境；②拥挤环境；③复杂地形；④地图不全的环境等。但是估计未来15年左右可以彻底解决，所以到那时候，

四、控制：

控制就是具体执行规划结果的过程了，从底层的电机控制到上层的机器人全身控制都属于这个范畴。

机械臂控制

机械手操作

足式机器人控制

↑ Boston Dynamics 的各种足式机器人

再加上这次的 Handle 机器人，可以说，Boston Dynamics 以一己之力，将人类的足式机器人控制水平拉高了一个层次。

四、学习：

这个属于另外一大块内容，由于可以应用到其他领域（控制、规划、感知等），所以有时候不能单独列为一类。

机器学习分为监督学习、无监督学习和强化学习三类。目前，深度学习主要在监督学习方面得到了很好的应用；此外，对于强化学习，也逐渐以Deep Q Learning等形式出现；但无监督学习才是机器学习中的最高挑战。

我们人类能够举一反三（超强的监督学习能力）；能够熟能生巧（超强的强化学习能力）；能够发明新事物（超强的无监督学习能力）。

当然，机器学习的坑还有很多。因为，正是不断学习让我们能够面对不断变化的环境。这方面可挖的东西太多了。

五、交互：

这个就是机器人与人交互的问题。包括识别人、与人交流、与人协作。在这个角度看，我们现在的机器人还很不尽如人意：

识别人

与人交流

与人协作

六、容错性：

这个就是说机器人的软硬件发生故障后，依旧可以自适应地完成部分工作。

人类就不说了，有太多『身残志坚』的例子了：

↑四川90后“无臂男孩”用脚趾夹笔答题 勇战高考追逐大学梦

我们的机器人最强只能这样：

这是2014年发表在Nature的成果，只是简单的机构损坏、核心部件完好的情况下可以继续完成简单任务。

总结

综上，要想做出能够取代人类的通用机器人，我们还有非常非常非常远的路要走。

当然，要想在十年内做出这样的机器人也不是不可能，例如忽然来了一群奇怪的人说：『我看你骨骼惊奇，你跟我学做机器人吧！』

↑ 图片出自科幻电影《降临》