谁在为人形机器人铺「全开源生态」？
元点机器人把开发者真正拉进了协同创作的“第一线”。
作者丨 幸丽娟
编辑丨 林觉民
2026年，人形机器人赛道进入一个微妙的悖论期。
硬件在“狂飙”。全尺寸人形已能完成后空翻、街舞连招、甚至高动态武术特技；电机扭矩密度、关节模组集成度、全身动力学控制精度都在快速逼近人类水平。
宇树 G1 用上OmniXtreme 框架，更是把后空翻成功率做到 96.36%，端到端推理延迟压到 10 毫秒。这些数字放在三年前，不可想象。
但，行业生态的“基本盘”却几乎没有变过。
每家的本体形态、关节配置、传感接口、运动学标定都不一样。A 公司花几年训练出来的抓取策略，拿到 B 公司的硬件上价值归零；高校实验室在某台机器人上验证过的算法，换个本体就得推倒重来。
研发成本居高不下，本就稀缺的真实交互数据，被锁死在单一硬件体内。
这个局面，像极了2007年安卓诞生前的手机行业：厂商各行其是，硬件形态各异，软件生态碎片化，开发者被迫为不同平台重复适配。
而安卓做了一件事：联合整个产业链，定义了一套统一的开放标准，构建了一个全开放的生态体系，让开发者和厂商在同一套技术框架下协作。
人形机器人行业，同样在等这样一个“让开发者和厂商协同创作”的全开源生态。
在大多数人形机器人公司还在追爆款、抢风口的时候，乐享科技旗下元点机器人已经开始动手铺这套生态了。
它联合 CMU——机器人学界最具分量的研究机构之一，发表了两篇论文：一篇是 BRIDGE，开源硬件设计方案；另一篇是 FlowMimic，开源指令控制方案。
硬件本体和指令控制两大基础工具链落定，元点机器人又在生态层面落下一子——正式发布开发者全开源生态 OpenBridge。
可以说，元点机器人将机器人行业“从闭门造车到开源共创”的实现路径，完整地摆在了台面上。
下面逐一来看。先看硬件本体。
01
BRIDGE：把“造身体”
变成一道可复现的工程题
▎ 从“拼手感”到“ AI-Native ”：数据先于“身体”
人形机器人的硬件设计，长期以来是个“手感行业”。
机械工程师凭经验决定关节放哪里、连杆多长、电机用多大。然后控制科学家拿到这个“既成事实”的硬件，想办法让算法在上面跑起来。设计硬件时不知道算法需要什么；算法上线了，硬件已经改不动。两边之间，永远隔着一堵墙。
BRIDGE 研究团队直接把墙拆了。他们的逻辑很简单：既然人类动作数据是通用的，那么机器人设计就应该以数据为驱动，让硬件形态去“适配”人类动作数据，而不是让动作去“迁就”硬件。
https://arxiv.org/abs/2609.03497
基于这个思路，研究团队以SMPL人体参数化模型为起点，对机器人本体做了一次反向重构。SMPL 是学界通用的三维人体统计模型，任何一段人类动作都可以用它编码成参数。把“人类能做什么动作”当作设计的输入，而不是事后迁就的对象。
这个思路一打开，机器人行业有了全球首个 AI-Native 具身本体 。
什么叫 AI-Native？过去的流程是“先造身体，再迁就算法”。AI-Native 把它倒了过来：AI 需要什么样的身体，就用数据算出什么样的身体。身体不再是算法的容器，而是算法的产物。硬件设计与运动智能，第一次站上了同一条流水线。
BRIDGE 凭什么能做到 AI-Native ？答案藏在四步流程里。
▎ 清晰可复现的四步流程，开启协同设计范式
第一步 ：自由度压缩，88 厘米逼出来的取舍
起点是 SMPL 骨架：23 个身体关节，覆盖人体主要运动关节。
但团队给BRIDGE定的目标身高是88厘米。因为他们把BRIDGE设定为一款桌面级研究平台：低于60厘米装不下完整的计算单元和电池组，也没有足够的腿部行程做行走实验；高于1米，制造成本和安全隐患指数级上升。88厘米是理想的折中值。
88厘米身高，还要给电池组留出足够空间。这两个约束加在一起，麻烦来了：腰部所有自由度全部保留不现实，仅能保留一个。
横滚（Roll）、俯仰（Pitch）、偏航（Yaw），三个轴向到底留哪个？
传统做法是机械工程师凭直觉：弯腰（俯仰）最常用，留着。但BRIDGE团队选择不赌直觉，分两轮让数据说话，筛选腰部双自由度组合。
第一轮，运动学筛选。
团队将大规模人类动作数据分别重定向到“横滚+俯仰”、“横滚+偏航”、“俯仰+偏航”三种22自由度候选形态上，计算“运动学重定向误差”——也就是机器人摆出来的姿势和人类原本动作之间的几何偏差。
结果是，保留“横滚+俯仰”误差0.02593；保留“俯仰+偏航”误差0.02588；保留“横滚+偏航”误差0.02570，在三组中最低。
因此，优先保留“横滚+偏航”，舍弃“俯仰”，静态几何匹配的代价最小。
但运动学只解决了“摆姿势像不像”，没有回答“跑起来稳不稳”。一个形态静态表现再好，加上重力、惯性、力矩之后，动态追踪可能完全崩掉。
第二轮，动力学筛选。
团队基于胜出的“横滚+偏航”，进一步构建了两种21自由度候选：仅保留“横滚”，或仅保留“偏航”。对每个候选，先优化连杆长度参数，再训练一个强化学习追踪策略，在物理仿真中跑一遍，计算动态追踪误差。
结果显示，仅保留“偏航”的误差0.02115，仅保留“横滚”的误差0.02311。“偏航”完胜。
数据和仿真共同表明：对于88厘米级小型人形，扭腰（偏航）比弯腰（俯仰）更有利于动态稳定。这个反直觉的结论，正是数据驱动的价值。至此，整体的骨架（21个主动关节）确定下来了。
接下来就进入了第二步，机器人初始化。
第二步：基于关节模组的机器人实例化，把物理约束装进来
做人形机器人常陷入“画出完美骨架却塞不进电机”的尴尬，而团队的核心思路是“带着电机的物理现实去反向生成骨架” 。
首先，算法先给全身 21 个关节默认装上体积最小的电机 ，以保证最紧凑的人体形态。这个紧凑方案是起点，只会在后续跑出问题时才被修改——先上最小方案，哪里不够再升级。
其次是约束条件。 他们舍弃厂商虚标参数，使用严苛的实测扭矩-转速曲线来设立运动边界，并且在物理仿真和策略训练中强制执行。
这种考量很简单：虚标没有意义，物理跑不过就是跑不过。
接着是复合关节的空间排布。 理想化的运动学模型通常假设肩、髋这类复合关节的三个旋转轴交汇于一个点。但物理电机是有体积的——三个电机不可能真的“塞在同一个点”上。
团队的解法很清晰：俯仰轴锚定在人体关节中心（因为它是主要屈伸运动的轴），横滚轴和偏航轴沿肢体方向依尺寸精准外移。那平移多少呢？由相邻电机沿堆叠方向的投影长度加上必要的安装间隙共同决定，确保不碰撞。
最后是结构重优化与质量重分配，因为换一颗电机，整机模型跟着变。
他们的方法是：每次电机型号调整后，所有受影响的连杆长度、质心位置、转动惯量全部重新计算。然后以最小化运动学重定向误差为目标，重新优化全局结构参数。
经过这一步，运动学骨架变成了兼顾真实机械装配与高保真人态运动的仿真模型，让硬件设计不再脱离仿真实际。
第三步：基于运动的动力学验证，好不好，跑起来看
机器人骨架和电机定型后，到底能不能真正“动”起来？
团队没有停留在静态的形态匹配，而是引入了动态能力实测：将生成的固定构型置于仿真中，基于一个通用的 21 自由度基底策略，结合整机真实的质量分布、转动惯量和严苛的电机动态扭矩极限，针对不同的人体参考动作分别微调控制策略。
只有当机器人在物理约束下能够稳定走完全程、且动态追踪误差低于预设阈值时，该动作才被判定为“成功”。这里的 动态追踪误差 衡量的是机器人实际物理轨迹与参考动作之间的偏差，它天然包含了重力、惯性、力矩极限等全部物理因素。
对所有动作的判定结果进行汇总后，就得到了另一个更硬核的指标—— 动作的整体覆盖率 ，这个指标衡量的是整个动作数据集上的成功率，真正从“动力学与硬件极限”的维度，量化出了这套硬件配置究竟能执行哪些高难度动作。
第四步：基于失败的自我进化，哪里不行改哪里
如果遇到动作失败，机器人该如何“自我进化”？
算法并不草率地下结论，而是先深挖关节负载率，并在多随机种子下反复验证：只有当某个关节频繁撞上扭矩或转速天花板，且人工放宽限制后动作确能成功，才会被实锤为真正的“硬件瓶颈”并触发电机升级。
而牵一发必动全身，更换大电机意味着更占空间、更重、惯量更大，系统必须随之重新排布多轴关节、重构全身骨骼与 URDF 模型，并拉回仿真中将所有历史动作全量重测，防止“升了一个关节，拖垮了原本能做的动作”。
在这场“既要像人身形（限高 88cm 内）又要能动（保证动作达标率）”的闭环迭代中，算法以失败为养料反向倒逼硬件升级，直到在拟人形态与动力学极限间踩出一条完美的帕累托最优解，彻底告别了传统机器人设计/控制算法之间的割裂。
▎ 定量+定性双重验证：“像人程度”，是可以算出来的
设计好不好，不能自说自话。团队从客观和主观两个维度做了验证。
定量实验方面， BRIDGE 团队提出了综合人类相似度评分（human-likeness score）。 身体的“像人程度”，第一次成了可以计算的指标。
该评分方法联合考虑运动学重定向误差与动力学追踪误差，两者权重各半，经负指数映射成0到1之间的分数，越高越像人。