由 Sarah Xiao 
2026 年 7 月 29 日，《Science Robotics》刊发足式机器人综述，把行业最该问的问题摆上了桌面：足式机器人早已”能走”，但距离”能行动”——跨地形、执行任务、从失败中恢复、连续运行数月——还有一段明确的距离。综述沿硬件、运动、自治、数据、应用五条主线梳理现状，结论坦率：困难没有消失，只是换了位置。
对工程与采购团队而言，有五个要点和三条采购视角值得记住。
要点速览
- 执行器仍是能力上限：定制电机 + 低减速比传动正在胜出——可回驱、高带宽力矩控制，绕开了高减速比的摩擦与惯量，也绕开了液压的维护负担。
- 强化学习能走，但还不是产品：sim-to-real + 域随机化带来了地形鲁棒性，奖励设计、样本效率和形式化安全认证仍是瓶颈。
- 下一站是”灵巧语义运动”：根据视觉、接触与语义选择落脚点，”不要踩到幼苗”要变成可执行的力与速度约束。
- 数据才是护城河：足式数据与本体强绑定、长尾难采，公开基准远落后于自动驾驶。
- 工业巡检是最清晰的商业落点，其余场景仍依赖遥操作或受限自治。
硬件：上限在关节
综述的硬件章节本质上是一张权衡表：高减速比电机给力矩，但带摩擦、转子惯量与机械阻抗；串联弹性执行器买到了碰撞柔顺，代价是控制带宽；液压功率密度高，但效率、噪声、泄漏没人想维护。近年真正的变化是定制电机配低减速比传动——关节可回驱、适合高带宽力矩控制，这正是接触密集任务与人机共处场景所需要的。
感知已收敛为标准组合：关节编码器 + IMU + 相机 + 激光雷达/深度相机 + 足端接触传感；触觉皮肤与仿生驱动器仍是”有潜力但未成熟”。形态即算法：四足买到稳定性与负载，人形买到人类环境适配，代价是平衡、跌倒风险与全身协调。
采购视角：执行器是四足/人形 BOM 里成本与风险最集中的地方。评估平台时，预测现场表现的恰恰是厂商不爱谈的问题——执行器扭矩密度与热极限、减速箱 1000 小时后的背隙、编码器失效率、关节模块能否现场更换。对矿山巡检这类合同，”关节模块可作备件”的政策比任何峰值扭矩数字都值钱。
运动：从可行到有目的
MPC 打下了地基——ZMP、倒立摆、弹簧负载模型——但地面接触建模一难，鲁棒性就崩。强化学习改写了经济学：策略在 GPU 加速仿真里大规模试错，经系统辨识与域随机化迁移到真机，用小型 MLP/循环网络满足低延迟控制，已能应对崎岖与部分不连续地形。
综述同样坦率列出边界：奖励设计决定机器人学到什么；PPO 类方法样本效率有限；域随机化买的是”平均鲁棒”，牺牲的是针对特定本体的最优；对学习策略做形式化安全认证仍是开放问题。综述提出的方向是灵巧语义运动——从视觉与接触预测地形可供性，选择落脚点并考虑力对环境的影响：松动的石块、泥地、与人共用的通道都进入决策。
自治与数据：两套系统同时在重构
经典自治栈（状态估计、建图、规划、导航、运动控制）正在被 VLM、场景图与 VLA 策略重新编织。好处是语义灵活性——”去仓库找红色箱子”；代价是工程现实：高层推理与关节控制的时间尺度不同，学习式导航在鲁棒性与可解释性上仍落后经典方法，端到端与模块化的边界没有共识。语言理解不会自动解决接触动力学。
数据一章会让自动驾驶从业者感到熟悉：足式数据多模态、异步、与本体强绑定，而长尾失败（脚被植被缠住、可形变地面）恰恰是仿真器最建模不好的部分。作者给出的数据飞轮——大规模仿真练基础、神经渲染扩场景、遥操作与部署收长尾、真实反馈反哺模型与基准——方向正确，但公开数据集与共享基准的匮乏，与自动驾驶相比仍然刺眼，跨平台可比性接近于零。
采购视角：当四足厂商宣传”AI 巡检”，要问的是数据归属——失败片段归谁、能否导出、厂商是否会用你现场的异常做再训练、有没有半年后可以复跑的基准协议。在没有共享基准的市场里，你自己积累的运行记录是唯一有效的评测。
部署：四个瓶颈，一门生意
应用地图很诚实：工业巡检（油气、电力、矿山、施工）是四足最清晰的商业场景——路线重复、环境结构化、价值可量化。末端配送与人形进工厂有前景，但仍依赖共享自治与安全验证；照护、救援、空间探索各自叠加了能耗、通信与信任约束。
四个瓶颈值得背下来：学习控制器的安全没有被形式化；能耗与可靠性限定任务时长；数据规模与质量必须同步增长；劳动、治理与责任（含军事用途）不能等到部署之后再谈。
综述给研究界的三条启示可以直接翻译成采购要求：评估”系统闭环”而非单点算法；把长周期、跨天气、跨负载的持续运行写进验收标准；要求语义能力落成可验证约束——落脚点、力限、速度限，而不是演示视频。
结语
行业已经解决”能走”，卡在”能行动——反复、安全、数月”。对买方，这重构了尽调重点：执行器耐久性、数据归属与长周期验收测试才是差异化项，跳舞视频不是。对卖方，赢家将是把关节模块、感知栈与数据管道讲清楚给这些问题听的公司。足式机器人的下一场竞争，不是步态竞赛，是在线率竞赛。