机器人自学不摆臂捂脸跑夺冠，背后藏着怎样的运动控制创新？
AI智识局
8月23日，北京国家速滑馆的跑道上，一个身高1.35米、体重39公斤的小型机器人用45.66秒跑完400米，拿下冠军。同一赛道上，同队的另一台大型机器人跑出了38.15秒，把人类男子400米世界纪录甩开近5秒。
但让全场记住的不是这两个数字，而是小型组冠军的跑姿——它全程不摆臂，双手抬到脸部附近，身体大幅前倾，像捂着面孔在狂奔，观众和网友给它起了个名字：“害羞跑”。
人形机器人在运动会赛道上保持捂脸跑姿态竞速
别的机器人挺直腰背标准摆臂，只有它这样。观众笑完之后，工程师给出的答案比跑姿本身更让人意外：这个姿势不是人设计的，是机器人自己琢磨出来的。
一条“跑得更快”的指令，机器人自己把摆臂淘汰了
背后的逻辑说起来简单，做起来颠覆了以往的运动控制思路。
研发团队最初给天工Omni植入的是人类标准百米摆臂跑姿——摆臂蹬地、身体挺直，教科书那一套。
但在高速测试中，问题很快暴露：这台小型机器人的肩关节执行器功率上限有限，峰值速度接近每秒10米时，强行复刻人类高速摆臂动作，肩部关节的瞬时负载会急剧飙升，温升风险拉高，整机功耗也撑不住400米全程。
研发团队没有针对肩部发热去改写运动方程、手动调整摆臂轨迹，而是做了一件更彻底的事：完全放弃预设动作。他们在强化学习模型里只给了方向性的奖励目标——跑得更快、控制关节发热，至于怎么跑，是摆臂还是捂脸，是昂首挺胸还是弯腰弓背，一个字没规定。
接下来，机器人在仿真环境里经历了成千上万次试错：每一次摔倒后重新调整，每一次调整后评估速度和能耗，表现好的策略获得正向强化信号。经过数百万次虚拟迭代，它自己得出了一个结论：摆臂太累。
把双臂收束到胸前、抑制肩部横向运动，既能消除肩关节的高频往复负载，又能把电能资源释放给下肢驱动系统，能耗更低，续航更稳。
北京人形机器人创新中心运动控制算法专家韩刚解释得很直白：“在学的过程中，可能摆臂对它来说有点累，扭腰扭胯跑起来更轻松些，就变成了捂脸跑这样一个方式。”
工程师事前完全没法预判会跑出这个姿态——这就像你教一个孩子跑步，只告诉他“尽量快、别累着”，他最后自己摸索出了跟你完全不一样的跑法。
没了摆臂，平衡怎么维持？答案在腰上
人类跑步时摆臂，核心作用是抵消下肢的旋转惯量——迈右脚时身体会向左转，迈左脚时向右转，摆臂恰好产生反向力矩，把身体稳住。天工Omni把手臂收到胸前，意味着这个平衡机制被主动放弃了。那它凭什么不摔倒？
答案是它把平衡任务转移到了腰上。算法自主重构了重心分配策略：主动压低上半身重心，让躯干大幅前倾，重心投影前置，形成一种“自身拉着自身往前跑”的前倾动态支撑特性，步态失稳的阈值被大幅降低。
同时，利用腰部关节的高性能优势，通过实时大幅扭腰、扭胯来动态抵消腿部高速摆动产生的竖直方向重心偏移和身体旋转趋势，确保在高速行进中精准跟踪跑道轨迹。
人形机器人压低重心沿跑道向前高速奔跑
这套平衡逻辑的精妙之处在于，它没有模仿人类，而是充分挖掘了机器人的硬件优势——这台机器人的腰部关节力量远强于肩部，把扭腰用到极致，比用摆臂来平衡效率更高。运动控制算法专家孟祥在接受采访时说，这个跑姿“加了很多扰动，机器人也不会倒地”。
没了摆臂，侧向平衡的校正任务全部压到了足端。
研发团队结合端到端强化学习与模型预测控制算法，在几十毫秒级的控制周期内动态调整足端蹬地的力矩输出幅值与作用点位置，同步强化侧向力反馈的响应灵敏度，通过高频调整足部支撑参数来覆盖摆臂原本承担的侧向平衡校正功能。
过弯时，机器人压低重心，姿态接近摩托车赛车手压弯，动作极限而流畅。
两名机器人在弯道赛道上竞速观众驻足拍摄
这条路能走多远？它不打算去工厂
这场“害羞跑”的高光时刻，不应该被误读成人形机器人运动的通用最优解。它更像一个特定躯体在特定约束下跑出来的“最优解”——换个体型、换个赛道，答案完全不同。
同一个赛场上，400米大型组冠军天工Ultra就没用这套方案。它身高更高、肩关节功率冗余充足，通过升级大功率关节电机和轻量化破风构型，就能用标准直立大摆臂的类人跑姿跑出38.15秒，比“害羞跑”更快。
上届400米冠军宇树H1，同样依靠原生关节负载冗余设计，以常规摆臂跑姿完赛。对于肩关节硬件够强的大型机器人，摆臂跑姿在平衡效率和肢体灵活性上依然是更优选择。
场景上的局限更明显。天工Omni在400米障碍赛上会自动放弃“害羞跑”，切换为带感知调整的常规跑姿——因为低摆臂前倾的平衡方案无法适配需要频繁调整落脚点、躲避障碍物的非结构化路面。
研发团队也公开承认，这套跑姿无法直接适配半程马拉松级别的超长距离，长距离持续奔跑下髋关节散热过载的隐患无法通过低摆臂设计完全规避。
事实上，天工Omni面向B端科研教育市场的量产版本，并未标配这套极限竞速跑姿，产品优先保障的是行走稳定性和动作拟人度。
这场“害羞跑”最值得关注的地方，不是它跑出了什么成绩，而是它展现了一种工程思路的转变：从“教机器人怎么跑”到“让机器人自己找跑法”。
在强化学习数据驱动的框架下，算法可以在硬件边界内自主探索工程师事前无法预判的最优策略，跑出来的答案可能看起来滑稽，但物理上是最优解。这套思路不一定会让所有机器人捂着脸跑，但它正在改写人形机器人运动控制的研发路径。
热门跟贴