先是马斯克放话：未来80%的特斯拉市值将来自人形机器人业务，一下把大家的注意力从电动车又拉回到了那台神秘的Optimus上。
紧接着，一段新视频又在网络上疯传。
视频最早是由Salesforce CEO Marc Benioff 发布的，主角自然是 Optimus。但这次，它换了个“金闪闪”的新壳，手部结构也更精细。除了外观吸睛，这台机器人的售价也不便宜， Benioff 亲口透露：20万到50万美元之间。
最让人眼前一亮的，还是它的“走路方式”。视频里，这台金色 Optimus 的步态明显更加自然，脚跟着地、步伐稳健，非常接近人类走路的方式。
但这个步态，看起来非常熟悉。
几乎就是前不久，国产机器人公司开普勒发布的K2“大黄蜂”抗扰动步态视频中的“同款步态”。视频中，K2“大黄蜂”在砖石、塑胶、草地等复杂环境和外力干扰中依然保持直膝步态、稳定行走，展现了强大的平衡能力与环境适应性。
为什么看起来这么像？追根溯源后得知，原来特斯拉和开普勒在底层架构上都选用了类似的技术路径：滚柱丝杠直线执行器混动架构。
在机器人学界，这被认为是极具挑战的方案，需要复杂的运动学建模和极高精度的力矩控制。但其优势同样显著：步态更加自然，能效利用率更高，更便于任务执行，环境适应性更强。
对此，我们特地咨询了开普勒公司，希望从这家国产厂商的视角，了解背后真实的技术考量。
01
直膝步态，为什么是“难而正确”？
开普勒方面表示，之所以选择直膝步态和滚柱丝杠直线执行器混动架构，是因为这是一条“难而正确”的路。
对于双足机器人而言，直膝行走几乎是最难的动作之一。相比之下，弯膝步态更容易实现：重心低，结构稳定，对控制算法和硬件精度的要求相对宽松。因此，多数机器人公司会选择弯膝方案来保证“能走”。但问题也很明显：动作笨拙，能效低下，离“像人”还有很大距离。
开普勒坚持认为，人形机器人既然要走路，就必须“像人一样走”。这也是他们选择直膝步态的根本逻辑。
近日，开普勒人形机器人K2大黄蜂迎来全新步态升级，并正式发布了国内首例“混合架构抗扰动”步态实录视频。
在这段视频里，K2大黄蜂面对复杂的环境时始终保持稳定的行走节奏。这种表现，直观地体现了直膝步态在复杂环境中的可行性和优势。
开普勒方面表示，这款机器人以直线执行器为核心动力，相当于“腿部肌肉”，提供主要能量；再结合旋转电机等驱动方式，实现动作微调和步态切换，从而适应不同地形。
这一方案已被包括特斯拉、小鹏等在内的国际前沿人形机器人团队验证，并逐渐成为行业共识。
其中的核心部件是行星滚柱丝杠，一种将旋转运动转化为直线运动的精密传动装置。它通过“行星传动+螺纹啮合”的复合原理实现高负载、高精度传动，优势主要体现在三个方面：
1.高能效比与高精度：行星滚柱丝杠通过滚动摩擦传递动力，能量损耗较低，可高效地将伺服电机的旋转运动转化为直线运动，其能量转化效率可以达到81.3%左右；低摩擦设计（摩擦系数低于传统丝杠）减少热变形和能量损耗，确保长期运行下的定位精度。
2.超强承载能力：行星滚柱丝杠通过螺纹滚柱作为滚动元件，在螺母与丝杠间形成众多接触线，大幅提升受力面积。其结构设计使承载能力远超滚珠丝杠。在同等负载力下，行星滚柱丝杠体积更小，且能适应恶劣工况（如高冲击、多粉尘环境）。尤其适用于如重载机械、工业机器人关节等。
3.运动平稳性与耐久性：螺纹滚柱的连续接触消除了滚珠丝杠中可能出现的冲击振动，运行更平稳，降低噪音和机械磨损。接触应力分散显著降低元件疲劳风险，寿命可达滚珠丝杠的数倍，尤其适合高强度工业环境。
正是这种结构，让K2“大黄蜂”在保持人类自然步态的同时，兼具稳定性与耐久性。从特斯拉Optimus到开普勒K2“大黄蜂”，这不仅是“看起来像人”的选择，更是经过验证的效率与稳定性兼顾的最优解。
02
困难重重，开普勒有何解法？
正如开普勒公司所示，直膝步态的“正确”，并不意味着它“容易”。尤其是在采用滚柱丝杠混动架构的前提下，控制难度和工程复杂度几乎是指数级上升。
第一重难点在于丝杠力学。
市面上常见的准直驱机器人，多数采用相对简单的串联结构，控制逻辑更直观。但在开普勒的混合架构里，行星滚柱丝杠直线执行器与旋转电机协同驱动，每一个关节都需要在高负载和复杂动作下保持精确控制。
这就意味着，上层控制器规划的角度、速度和力矩，要实时转化为丝杠长度、速度与推力，再由电机执行。而直线电机反馈的数据，又要反向换算成关节的角度、速度与力矩。这种复杂的双向映射关系，就是所谓的“丝杠力学”，也是实现自然步态的前提。
第二重难点在于仿真与现实的差距（Sim-to-Real Gap）。
如果说丝杠力学是精度上的挑战，那么仿真与现实之间的差距，则是落地性上的鸿沟。几乎所有人形机器人研发团队都会面对所谓的 Sim-to-Real Gap：在虚拟仿真环境里跑得流畅自然，一旦切换到真实世界，就问题频出。
原因在于，仿真世界往往过于理想化。它可以忽略关节摩擦、材料变形、地面微小的不平整；传感器数据也被假设为“完美”，而现实中的 IMU 漂移、力矩传感器噪声、视觉延迟都会积累成姿态偏差；仿真环境通常是平坦的地面，但现实中机器人要面对的是坑洼、斜坡、突发外力甚至光照变化。
更麻烦的是，真实的执行器存在响应延迟和死区效应，指令发出去并不会“秒到”；通信网络也有延时，这些微小的差异足以让看似完美的步态在实机上完全走样。
针对这两大难题，开普勒的应对思路是“双管齐下”。K2“大黄蜂”采用直线执行器的混动架构，在力控环节中引入丝杠力学的精密计算，并辅以强化学习与模仿学习的结合，从而同时攻克了步态的灵活性与自然性问题。在复杂环境下，它能够完成稳定而灵活的步态切换；在日常行走中，则展现出类人直膝步态的自然效果。
在具体方法上，强化学习承担了最基础的“教学”角色。通过大规模并行的仿真实验，数千台虚拟机器人被置于各类复杂场景之中：不同地形、不同执行器特性，甚至绊倒、滑倒或外力干扰。GPU加速让这种试错可以在极短时间内完成，最终形成能够应对突发情况的鲁棒性控制策略。
与此同时，模仿学习则让“大黄蜂”具备了更接近人类的动作特征。借助高保真的物理仿真器，仅需数小时便能生成相当于数年的人体步态数据。机器人不仅学会了脚跟先着地、脚尖离地的细节动作，还能做到手臂与腿部的自然摆动，使整体步态更符合人类直觉。
在整个学习过程中，奖励函数发挥了关键作用，它像“老师”一样为机器人指引方向：哪些行为更高效、更稳定，哪些策略更能抵御扰动。
经过持续的反馈与优化，K2“大黄蜂”逐步具备了在真实环境中高可靠行走的能力。相比单纯的仿真训练，这种方法让它不仅能在实验室中走得稳，更能在工业生产线、物流仓储等高复杂度场景中经受住各种干扰，实现自然且稳定的仿人步态。
同时，开普勒K2大黄蜂目前已经可以通过分层模型 VLA+语义识别，听懂自然语言指令，按照需求给大家分发物品，完成多种任务。
