類人型機器人足球賽已成為該產業最真實的基準

北京某實驗室公佈的三組數據，比今年任何一場主題演講更能反映人形機器人技術的現狀。 球體追蹤誤差減少了 46%。機器人準備起腳射門所需的時間縮短了 64%。在足球場前半場的射門成功率約達 90%——這台機器人學會將「觀察」、「奔跑」和「射門」整合為單一反射動作，而非透過獨立的軟體模組分別運作。

這些數據背後的研究成果於8月19日發表在《Science Robotics》期刊上，並登上該期刊人形機器人特刊的封面。 清華大學自動化系的研究人員與字節跳動Seed及中國農業大學的合作夥伴，透過強化學習控制器訓練人形機器人追逐並踢擊移動中的球，隨後在實體機器人上運行該程式，且未進行任何現實世界的微調。

該硬體來自北京的Booster Robotics公司，該公司專注於開發面向開發者的類人型機器人平台，而非工廠勞動力。 該公司的 T1 機型已成為競技機器人足球的標準機器，其新款旗艦機型 T2 Pro 搭載了一顆每秒運算 2,070 兆次的 NVIDIA Thor 晶片，而入門級機型 K1 的起價為 5,999 美元，這個價格更接近遊戲電腦而非工業機器人。 在 8 月 31 日發表的訪談中，該論文的第一作者王裕詩（Yushi Wang）與通訊作者趙明國教授闡述了他們為何以這種方式建構系統，而他們的回答對於任何評估人形機器人實際工作能力的人來說都至關重要。

模組化軟體從未解決的「反射問題」

數十年來，機器人的自主性一直被建構為一場接力賽。攝影機將影像傳送給偵測器，偵測器將資料傳送給狀態估算器，狀態估算器再將資料傳送給規劃器，而規劃器則將指令交給步態控制器。每次交接都會耗費數毫秒，且每個模組都必須信任前一個模組傳遞的資訊是正確的。 在足球場上，這些模組無一值得信賴。當機器人的頭部轉動時，球體的影像會變得模糊……

每當球體移動時，聚光燈的光線便會使白色六邊形變得模糊不清，而對手的腿恰恰在最不合適的時刻擋住了目標。

趙先生多年來一直率隊參加「機器人盃」（RoboCup）——這項自1997年起便作為自主性基準的國際機器人足球競賽——他將這項運動形容為具身機器人所面臨所有艱難問題的濃縮版。 用他的話說，機器人必須「感知移動中的球、理解其相對球門的位置、移動全身、保持平衡，並精準觸球」，而且必須透過機載感測器和運算系統同時完成所有這些動作，比賽過程中不允許任何工程師觸碰機器人。

面對這種壓力，序列化處理流程往往會陷入停滯：感知模組傳回資訊，規劃模組進行評估，等到腳部揮動時，球早已移動了。 清華大學團隊的解決方案是，不再將視覺與動作視為獨立的模組。正如王所言：「我們希望機器人能透過自身的動作，學習如何對視覺資訊做出反應。」一個神經網路負責學習整個控制迴路：搜尋球體、縮短距離、調整步態、定位身體、射門。

將盲點納入模擬器進行訓練

該框架基於三項設計抉擇。第一項是耦合：感知與控制在單一強化學習目標下進行優化，而非由兩個系統透過介面進行協調。第二項是將「對抗性運動先驗」技術延伸應用——這項技術能確保學習到的動作看起來自然而非抽搐——並將其應用於機器人必須根據即時攝影機輸入採取行動的情境中。 第三項則是一種編碼器-解碼器記憶體，它能將一秒鐘的觀察資料（50 幀）壓縮成一個 64 維度的環境摘要，即使防守球員的小腿擋住了視線，系統仍能據此重建球的當前位置及其行進方向。

訓練過程完全在模擬環境中進行，而該模擬器是專為「說謊」所設計的。研究團隊將

在一個虛擬感知系統中的學習過程，該系統會刻意透過偵測失誤、感測器雜訊、延遲、受限的視野以及變動的幀率，來干擾機器人所見的影像。 在這些條件下進行學習的機器人，會將不完美的視覺視為常態，而非需要透過備用程序處理的例外情況。已發表的研究成果是「零樣本遷移」：策略從模擬環境直接移植到實體的 Booster T1 機器人上，無需進行任何硬體調整，其表現便以開頭段落所述的幅度超越了基於規則的基準模型。

用通俗的語言來說明其變化點：人類前鋒不會將「計算球的位置」、「選擇移動計畫」以及「執行射門」這三個步驟，視為三個可計費的階段來處理。 視覺資訊自然融入步態，調整在雙腿中完成，甚至在成為有意識的決定之前便已發生。這正是此控制器所學習的行為，也是為何當球短暫消失時，機器人能連貫地恢復動作，而非在「軟體委員會」重新召開會議期間陷入僵滯。

幾乎每件球衣下都藏著一台價值 5,999 美元的機器

這篇論文中較少被提及的故事，其實就印在機器人的球衣上。根據 Booster 自己的統計，在七月舉行的 RoboCup 人形機器人聯賽中，59 支隊伍中有 38 支採用了其平台，而配備 Booster 的隊伍更在每個人形機器人組別中都奪得了金牌。 王教授本人擔任清華大學「火神」隊的隊長，該隊正是憑藉同一套硬體，於七月成功衛冕了RoboCup人形機器人組冠軍。 一個月後，在北京舉行的賽事中，AGIBOT的量產機器人包攬了獎牌榜榜首；據該公司表示，足球項目中92%的隊伍（共56支）均使用Booster機器人參賽。

這種高度集中現象，正是其商業模式，

這絕非巧合。Booster 向研究市場推銷產品的方式，就像當年儀器製造商銷售示波器那樣：在每個實驗室中部署一個價格實惠、耐用且文件完備的平台，讓生態系統中的人才學會以你的工具鏈來思考。 該公司推出的 Booster Studio 是一款整合式開發環境，專為《Science Robotics》論文所驗證的「模擬到硬體」工作流程而設計。每位今天在 T1 上訓練策略的研究生，明天都將成為指定採用與 Booster 相容技術堆疊的招聘經理。學術講台正是銷售漏斗的頂端。

對於關注人形機器人領域的買家而言，這正是值得追蹤的指標。研究領域的平台標準化向來先於商業整合，因為軟體、資料集與操作習慣的累積，都與硬體所在之處密不可分。 一家其機器人佔據「機器人盃」（RoboCup）三分之二席次，並在「北京足球賽」淘汰賽中佔據九成席次的廠商，目前還稱不上是能提供實用工廠類人型機器人的供應商。然而，該公司卻正處於培育下一千名機器人工程師的核心位置。

射門率無法告訴買家的真相

反方觀點同樣值得重視。相較於黃昏時分的裝卸碼頭，足球場地平坦、照明均勻，由標線劃定邊界，且遵循絕不會在比賽中途變更的規則。 在前場位置達到90%的射門成功率，雖是實質的研究里程碑，卻是毫無意義的採購數據。本文中沒有任何內容能證明這台類人機器人具備揀選托盤、操作機器或與叉車共用通道的能力，而作者們也並未如此聲稱。T1是一款研究級平台，而非工業載荷機器人。

真正能轉移的是方法，而非技能。趙本人便架起了這座橋樑：這項運動所整合的能力——「全身協調、視覺感知、快速決策、平衡恢復與反應性動作——對於在日常環境中運作的人形機器人而言，同樣至關重要。」他的第一作者也指出同樣的觀點

該研究指出，知覺與動作的耦合關係延伸至「導航、物體互動及移動式操作」。客觀而言，這實質上是一項證明系統能在真實的感測器故障情境下仍具備可訓練性的研究，發表於經同儕審查且具備可量化容錯範圍的學術刊物上，且所使用的硬體是任何人都能購得的。這最後一點本身便具有商業價值。 零樣本遷移意味著這項工作的昂貴部分——針對感測器失真進行訓練——是在軟體層面完成的；而購買相同平台的實驗室，將能直接繼承從模擬器到實地環境的驗證路徑，而非必須進行量身訂做的整合專案。

在人形機器人領域，真正重要的基準已不再是機器人在舞台上行走的速度，而是當其視覺失效的幾秒鐘內，機器人能否做出合理的動作。 未來兩年內，負責評估人形機器人供應商的採購團隊應在精神上借鑒清華大學的測試規範：詢問系統在遮擋、眩光及掉幀情況下表現如何，並確認示範能否在供應商未預先編排的條件下依然正常運作。一臺只接觸過乾淨輸入的機器，就等同於一臺從未踏出戶外的機器。

研究團隊自行拍攝的示範影片，無需旁白便已充分說明一切。一臺身穿紅色比賽球衣的 T1 機器人，穿梭於北京一處普通的戶外跑道上，隨著球滾動調整步幅，並朝著便攜式球門踢球——一幀接一幀地疊加呈現，無論當日下午的光線條件如何變化。 沒有舞台、沒有繫繩、沒有重拍。當特技化身為工具的瞬間，看起來正是如此平凡無奇，而這幕場景正是《Science Robotics》期刊的封面。

本分析綜合了經同儕審查的《Science Robotics》論文、研究團隊的公開聲明，以及 Booster Robotics 公司的資訊披露；相關數據反映截至 2026 年 9 月 1 日上述來源的資訊。

圖片：清華大學／Booster Robotics 研究示範，經由自動化促進協會提供。

本文

本資料僅供一般參考之用，並不構成任何投資、採購、法律或工程方面的建議。