PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / X · AI 与脑科学 / X005 · NMIergoCub：如何设计'共身智能'人形机器人？

X005 NMI | ergoCub：如何设计'共身智能'人形机器人？

来源：公众号 PSY-Brain_Frontier ｜发布：2026-07-17 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Towards shared embodied intelligence in humanoid robots through optimization, development and testing of the human-aware ergoCub robot

发表时间: 2026-07-13

发表期刊:Nature Machine Intelligence

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

引言

人形机器人的硬件设计和控制算法，长期以来被当作两个彼此独立的问题：机械工程师先根据经验把机器人造出来，控制工程师再在已有平台上调参。但凡涉及物理人机协作，这种顺序就会暴露一个尴尬：硬件的几何、惯量、自由度配比，恰恰决定了协作时人体所承受的生物力学负荷，而这种事后再用控制策略来"擦屁股"很难擦干净。更进一步，当机器人需要在不确定的真实环境中与不同体型的伙伴长时间共事，"人体中心"的设计指标几乎完全缺位。

在控制一侧，主流做法是分层级联架构：轨迹规划层生成全身参考轨迹，轨迹调整层用简化模型做在线校正，轨迹控制层通过QP或逆动力学把指令下发到执行器。这套框架在稳定行走和动态操控上已经被反复验证，但它默认硬件是"先验给定"的常量，参数空间被锁死在控制增益、规划时域、权重系数这一类调整余地有限的维度上。在协作任务中，这恰恰意味着它无法改变"机器人胳膊太长、需要人弯腰去迁就"这种纯几何层面的不匹配。

过去几年也出现过一些codesign方法，把硬件参数和控制器参数放在同一个优化目标里联合求解。ADMM、强化学习、遗传算法在四足或低自由度机构上都跑过，但落到全尺寸人形机器人时，多数工作要么只优化机械臂、腿等局部子结构，要么完全忽略"人"这一侧的物理特性。在工业搬运这类典型任务里，这等于把协作对象简化成了一个理想点，把最该被建模的"人体工学"留在了视野之外。

这篇文章做的事情，就是正面回应这个缺口。作者提出一个叫"shared embodied intelligence"的统一架构，把共享智能（shared intelligence，强调对伙伴的内部表征）与具身认知（embodied cognition，强调形态-控制耦合）整合到一起，并显式把人体工学指标嵌进硬件优化和物理智能两个层次。在这个架构下诞生的实物机器人就是ergoCub：一个1.50 m、56.7 kg、36自由度的人形平台，针对与人类协作搬运和鲁棒行走两类任务做了整体性的代码化设计。

实验设计与方法逻辑

文章的方法论分两条互相串联的实例链。第一个实例是"ergoCub最优硬件"：以iCub3的运动学拓扑为骨架，把每条连杆用球、圆柱、方块等基本几何近似，把人体用包含34关节的浮动基多刚体链表示，两者在静态多姿态下形成human–robot–load耦合动力学，再以人体关节力矩、机器人关节力矩、CoM高度为加权目标，对杆长做非线性优化。第二个实例是"ergoCub物理智能"：在硬件参数冻结的前提下，用任务空间逆动力学（QP，500 Hz）做底层控制，用参数化轨迹调整让机器人跟随人手的升降，再用人因工程指标在线更新内部人体模型。

Figure 1. The ergoCub robot, a humanoid robot developed to minimize workers’ fatigue and risks in collaborative tasks for industry and healthcare, and endowed with a degree of shared embodied intelligence

核心发现

发现一：把人体工学嵌入优化目标后，iCub3的连杆比例被系统性重塑，ergoCub的躯干和腿部更"高更长"

作者以iCub3简化模型为初值，固定运动学拓扑和电机类型，只调整几何参数。优化结果显示，0.8–1.5 m 负载高度区间下，绿色方案（Model 1c）在L5–S1、L4–L3、L1–T12三段脊柱关节力矩上几乎全面优于iCub3原始设计（Model 1a），且是少数能把举升高度延伸到1.5 m 的候选。最终选定的ergoCub连杆尺寸为：身高1.50 m（vs iCub3的1.25 m）、腿0.39 m、躯干0.67 m、CoM高度0.72 m，躯干和腿的延长在比例上明显高于iCub3。

实物ergoCub在CoM高度（0.72 m）上与Model 1c几乎一致，但身高（1.50 m vs 1.44 m）更高、体重（56.7 kg vs 70 kg）更轻，躯干与腿比Model 1c再短0.01 m。差异主要来自三个现实约束：加入了LCD表情屏、复用了iCub3的电子与电机、用了金属延长件而非重铸。

Figure 2. The shared embodied intelligence architecture instances to optimize robot hardware and physical intelligence leveraging human–robot interaction models that are parametrized with respect to robot hardware parameters

发现二：架构上的人–机对称带来可解释的层次化物理智能，trajectory blocks与muscle/actuator在两个agent上几乎一一对应

文章最核心的概念动作，是把"physical intelligence"显式拆成trajectory planning、trajectory adjustment、trajectory control三层trajectory blocks，再加sensors/sensory system和muscles/actuators两个末端单元。这套结构不仅用在机器人的物理智能侧，也复刻在人体侧：中枢神经系统对应trajectory planning与trajectory adjustment，外周神经系统对应trajectory control与sensory system。

这种对称不是修辞。作者在人体模型里用inverse kinematics + 最大后验（MAP）估计从可穿戴传感反解关节构型与关节力矩，在机器人侧用Centroidal MPC + stack-of-tasks QP做轨迹调整与轨迹控制，两边的接口是human–robot–load耦合动力学（如equation (7)所示的M(q,π)、h(q,ν,π)以及耦合矩阵Q）。结果就是ergoCub在执行任务时能"听懂"人的运动语义，并把自己规划的轨迹挂载到同一套动力学变量上。

Figure 3. Comparison between iCub3, different humanoid robot models output of the presented optimization framework and ergoCub

发现三：搬运实验中L5–S1峰值力矩被显著压低，空载、1 kg、2 kg三档负载下机器人辅助的收益稳定存在

在真实ergoCub上做了三档负载的协作举升实验。Fig. 4a的hand height轨迹显示，机器人能在0.8–1.2 m高度区间内稳定跟随人手上行/下行，平均跟随误差0.0084 m，平均最大误差0.0339 m；存在的滞后主要源于控制框架没有显式做人体运动预测。

图10

Figure 4. Comparison of hand trajectories and lumbosacral joint torques during human–robot collaborative payload lifting with ergoCub robot

人体侧的L5–S1峰值力矩变化更直接：空载时从43.95 Nm降到24.88 Nm，1 kg负载从50.66 Nm降到25.77 Nm，2 kg负载从44.88 Nm降到31.82 Nm。三档负载上机器人的介入都把腰椎最易损伤节段的瞬时力矩砍掉近一半，这是human-aware hardware + 实时人体模型在线更新叠加后端到端变现的成果。

发现四：优化后的硬件在行走侧也拿到了可见的鲁棒收益，最大步长与最小步态周期都超过iCub3

硬件优化里有一项独立目标T3专门用于抬升CoM高度。CoM抬高带来的带宽扩张，在行走实验中转化成可量化的指标：最大步长从iCub3的0.28 m提升到0.35 m，最小步态周期从0.8 s压缩到0.5 s，二者使用相同的步态命令与控制架构。

更具鲁棒性意义的是Fig. 5呈现的外力测试。机器人在携带重物直线行走时被人用手臂持续施加60–100 N的脉冲推力（FT/IMU联合估计），centroidal MPC在每一步都通过步态位置调整与CoM轨迹调整把扰动吃掉，CoM跟踪维持在标称误差带内，没有跌倒。在结构层提前做CoM抬升、在控制层用centroidal dynamics做receding horizon校正，两层增益是叠加的。

图11

Figure 5. Tracking performance of the ergoCub controller during a straight-line walking task under external pushes and while carrying a heavy box

图12

归纳总结和点评

这篇文章的核心贡献，是把"人体中心指标"从控制器参数空间搬到了硬件几何空间。在human-aware codesign的视角下，机器人与人的协作能力不再只取决于控制策略堆栈，而取决于杆长、密度分布、CoM高度这类"动不了多少"的结构变量是否在设计阶段就被正确求解。

往深一层看，这种思路的潜力体现在两个方向。一是把"对称的physical intelligence"当作可复用的接口范式：人和机器人共用trajectory blocks与sensors/actuators的层次结构，让human model可以直接喂进MPC与QP，从而让"对人友好"和"对任务有效"在同一变量空间里联合被优化。二是把sim-to-real差距显式分层管理：把几何简化、惯性假设、制造约束三个差异源分别处理，再用渐进式模型细化、surrogate model和标定回路去逐层收敛。ergoCub和Model 1c之间CoM一致、身高/体重不一致，恰好展示了这种分层的诚实程度。

需要做克制评价的地方也很明显。文章目前仍以人体客观生物力学指标（关节力矩、CoM高度）为目标，850人的用户调查只覆盖了"可接受度"。主观疲劳度、长期协作流畅度、跨人群临床验证等维度被明确留作未来工作。控制框架目前是纯反应式的，缺少短时域人体运动预测，这部分也由作者自己列为下一阶段扩展。搬运任务目前只覆盖双人单负载的简单拓扑，复杂多伙伴协作需要继续推进。

总体而言，这是一篇把"共身智能"从概念落地到硬件-控制联合优化、再到实物部署的完整工作。它对关心人机协作的读者最有价值的点在于：让"人体工学"这个长期被放在控制回路末端的指标，第一次被允许和连杆长度这一级别的结构变量做同一道优化题。

···

图13