文章核心观点 - 智源研究院联合北京理工大学提出名为BAAI Thor的具身智能框架，旨在解决人形机器人在高强度、接触丰富的环境中实现类人级全身协同反应与控制的关键技术瓶颈 [6][7][8] - 该框架通过结合生物力学控制原理与创新的解耦式网络结构，使机器人能自主学习人类在物理对抗中的全身协调策略，显著提升了在真实复杂环境中的作业潜力与动态稳定能力 [8][12][13] - 实验验证显示，搭载Thor框架的宇树G1机器人能拉动重约1400kg的汽车，并在多项力交互任务中性能显著优于基线算法，峰值拉力达到167.7N，约为机器人自重的48%，较最佳基线算法性能提升68.9% [18][26] 人形机器人全身控制的技术挑战 - 类人反应机制缺失：现有控制策略多通过增大关节力矩刚性对抗外力，易导致关节输出饱和、姿态不稳，且依赖精确动力学模型或外力传感器，限制了在非结构化环境中的自适应交互能力 [9] - 高维协调控制复杂性：人形机器人具有高维状态空间（数十个自由度关节角度、速度、IMU等构成数百至上千维状态向量）、高维动作空间（数十维连续动作空间）以及高维动力学耦合（各关节强耦合的非线性系统），导致强化学习采样稀疏、优化难度大、学习复杂度急剧上升 [10] BAAI Thor框架的核心技术创新 - 力自适应躯干倾斜奖励（FAT2）：基于考虑外部作用力的零力矩点（ZMP）准则，引导机器人学习通过自适应倾斜身体调整质心位置的类人姿态策略，以增强末端执行器有效作用力，胜任高强度力交互任务 [13] - 解耦式网络结构：将全身控制器分解为上半身、腰部、下半身三个独立的Actor-Critic模块，共享全身观测输入但独立输出控制指令并同步更新，通过降低单一策略网络优化复杂度应对高维动作空间挑战 [17] - 消融实验表明FAT2奖励函数是提升力交互能力的核心驱动力，贡献约80%-90%的性能增益，而解耦式网络结构则确保核心能力在极限条件下的稳定发挥 [30] 实验验证与性能表现 - 在真实物理交互任务中，搭载Thor的宇树G1机器人（重约35kg）成功拉动重约1400kg的汽车，展示了极限负载下的全身协调与动态平衡能力 [18] - 在单手开启消防门（需约60N稳定拉力）、拖拽约85kg轮式吊架、擦拭白板等持续接触任务中表现出卓越的泛化能力与鲁棒性 [20][22][27] - 定量分析显示Thor在双手向后拉动任务中实现167.7N峰值拉力，较最佳基线算法性能提升68.9%，且躯干倾斜角度与所受拉力正相关，验证了类人自适应姿态调节策略的有效性 [25][26] 行业应用前景与意义 - 该技术突破使人形机器人能从“表演者”转变为“劳动者”，在家庭陪护、工业装卸、应急救援等需高强度、不可预测物理交互的场景中替代人类成为可能 [7][31] - 通过生物力学原理与强化学习的深度融合，为机器人全身智能控制开辟新路径，推动具身智能在工业、服务业、特种作业等更广泛场景中的演进与落地 [31]