双足人形机器人新突破：读博青年团队挑战端到端“大脑”新赛道

周末刷社交平台时，一段机器人驾驶卡丁车的视频引发关注。画面中，双足人形机器人稳坐驾驶座，手握方向盘完成高速过弯、精准避障等复杂操作，全程动作流畅如专业车手。这一场景与以往机器人缓慢移动、简单抓取的演示形成鲜明对比，标志着具身智能领域迎来新的技术突破。

开发这段视频的共生知行团队，将研究重心放在双足人形机器人的"大脑"构建上。这个平均年龄不足25岁的创业团队，成员均为在读博士生，却已在具身智能领域斩获两项最佳论文奖，并打造出国内首个GitHub获赞超2000的基座模型。他们选择的技术路线极具挑战性——直接开发端到端感控一体化模型，跳过行业普遍采用的分层架构。

团队创始人丁鹏翔指出，传统分层方案存在先天缺陷：大脑与小脑系统独立训练，导致信息传递存在级联误差，且每新增任务都需定制化调整。这种"理论可行但不够优雅"的架构，在面对复杂场景时难以实现真正意义上的系统扩展。基于对自动驾驶和大模型发展路径的观察，团队判断端到端模式将成为机器人技术的终极方向。

选择双足构型源于对应用场景的深度思考。丁鹏翔认为，人类社会的环境设计均以双足生物为基准，轮式机器人只能局限于特定场景作业。双足构型不仅具备跨场景作业能力，其拟人化特征还能降低人类接受门槛。2026年英伟达Sonic开源项目提供的遥操作数据，为训练通用型双足模型奠定了基础。

技术实现层面，团队攻克了从运动学到动力学的关键跨越。传统机械臂模型仅需处理7个自由度的运动轨迹，而双足机器人需要协调29个自由度形成的全身动力学系统。这要求模型同时掌握任务执行与身体平衡双重能力，就像人类在伸手取物时会自动调整重心防止跌倒。

为解决这个难题，团队开发出双域协同优化机制。通过行为克隆保持任务精度，同时利用DriftDistill技术将底层控制器的抗干扰能力转化为模型内生运动先验。这种设计使模型在10亿参数规模下，就能同时具备任务执行与身体控制能力。进一步开发的Force Expert模块，则让机器人学会根据场景动态调整施力强度，解决"到位但未完成"的操作痛点。

数据获取是另一大挑战。全球合规机器人训练数据不足大语言模型的两万分之一，且多数集中在静态操作场景。团队通过TrajBooster技术，将机械臂的末端轨迹数据转换为双足机器人的全身运动指令，在仿真环境中实现动作复用与平衡保持。这种创新方法使低成本数据采集成为可能，目前团队已积累约1万小时自采数据。

对于技术发展节奏，丁鹏翔保持清醒认知。他认为当前行业尚未解决感知控制融合、数据类型选择等根本问题，现有模型距离商业化应用仍有差距。尽管谷歌等企业已在探索全身动作统一模型，但行业共识仍认为分层架构是现阶段最优解。这种分歧恰恰印证了端到端路线的探索价值——当其他团队在优化现有方案时，共生知行选择直面最具不确定性的技术前沿。

在卡丁车赛道上飞驰的机器人，承载着这个年轻团队的技术理想。他们拒绝成为技术追随者，而是选择在答案尚未明朗时，用代码和算法书写自己的答案。这种敢于挑战行业共识的勇气，或许正是中国科技创新最需要的特质。当行业还在争论技术路线时，这群未毕业的年轻人已经用行动证明：真正的突破，往往始于对"不可能"的质疑与突破。