美国东北大学教授Hutchinson：人机共融需以安全为先，动态约束控制成关键路径
SmartHey8月20日消息，2026世界机器人大会论坛于8月19日至22日在北京举行。美国东北大学教授Seth Hutchinson在主旨演讲中指出，迈向人机共融的智慧社会，核心不在于追求极致性能，而在于将‘人’深度嵌入机器人系统的设计逻辑——尤其以安全为第一约束条件。
大家好！
我是今天午餐前的最后一道‘关卡’，我会言简意赅，助各位尽快享用午餐。非常荣幸首次参加世界机器人大会，衷心感谢主办方邀请，也感谢各位坚持听到此刻。
当前，我们每天都能看到令人惊叹的机器人视频：新动作模型层出不穷，运动能力快速迭代。许多技术瓶颈已被突破，机器人正从实验室走向真实世界——但问题随之而来：它们能否真正服务于人类？这已超越单纯的技术演进，直指‘移动操作机器人’的核心能力：在动态、非结构化环境中，与人协同完成有意义的任务。
典型场景早已落地：医院内递送药品的辅助机器人、写字楼与酒店中自主收运垃圾的服务机器人、家庭环境中的物品整理助手、餐厅里的外卖配送车，以及物流场景中的智能推车……这些应用正在重塑人机关系的日常界面。
然而，正如开场PPT所呈现的——那些震撼视频中往往‘无人’。机器人与人类是否注定泾渭分明？答案是否定的。当前部分厂商对‘安全’的承诺，仍停留在‘不出事’的静态层面，实则忽略了‘人在环中’这一根本前提。我今日强调的，正是‘人在机器人系统设计中心’：安全不是边界，而是起点；首要目标是确保任何人不因机器人行为而受伤。
我的一位前同事曾与我持相同观点。左下方视频展示的正是人机深度融合的范例：一名下肢完全瘫痪的患者，正通过康复机器人重建生活能力——技术的价值，在于此处具象化。
关于安全，它远不止于性能指标。最‘安全’的机器人是完全静止的，但这毫无实用价值。真正的挑战在于：如何在保障绝对安全的前提下，释放足够性能？鲁棒性由此成为关键——工业场景中，物理隔离与流程固化已实现较高安全水位；但在开放环境中，风险维度剧增。常见策略包括空间隔离、时序错峰（如人先操作、机器人后执行），或任务共享（如人类主导、机器人跟随）。但这些方式正逐步被更智能的方案替代。
右图红色区域显示，目前真正具备协作能力的机器人占比仍低。过去依赖物理围栏（如铁笼）是最主流的安全手段；而今，我们正迈向‘数字围栏’时代：电子虚拟边界可精确划定禁入区。但人的不可预测性仍是最大变量——德国曾发生因人员误入禁区导致的致命事故。因此，前沿方向转向感知驱动的安全响应：借助高速视觉与实时空间建模，机器人可动态感知人体位置与运动趋势，并据此自适应降速——距离越近，响应越保守；临界距离则触发紧急停机。
早期安全实践多采用‘减速’或‘硬停止’等保守策略（如2015年某次冲击实验），但这类方法牺牲效率且难以泛化。更优解是将安全约束直接嵌入底层控制系统：让机器人在追求任务目标的同时，实时优化运动轨迹，主动规避人体——视频即演示了这一理念：当人在工作区自由移动时，机器人持续重规划路径，全程保持安全间距，实现‘动中有避、避而不滞’。
当前，机械臂的运动学、动力学特性（如力控、精度、速度）已有深厚积累，支撑其在物理世界中可靠作业。但对人类而言‘直觉简单’的空间操作（如抓取、搬运、姿态维持），对机器人仍是高维难题。例如，使用大语言模型辅助3D空间理解、结合几何表征建模物体属性——所有参数均高度依赖具体任务与场景，无法套用通用自由度模型。未来方向，是构建能在无预设环境中自主判断‘何为安全行动’的通用控制系统。
类比传统引擎：动能归零即停机，动能降低则性能受限。而理想控制需兼顾‘快速抵达目标’与‘及时规避障碍’——二者本质冲突。我们引入双目标优化公式：一维最大化任务效率，另一维在检测到障碍时强制抑制速度增量。精准平衡这两项，即构成安全-效能协同控制的基础。
人机协作亦遵循此逻辑。此处展示的公式，融合了经典力学中的自由度、动量及空间约束，可直接用于学生课堂推导——它并非抽象理论，而是实时计算机器人动能边界的工程工具。
另一路径更为简洁：设定‘不可逾越’的软性边界。该边界可动态调整，其数学表达能直接关联输入指令与安全约束，无需复杂求解即可获得梯度反馈，大幅降低实时控制开销。
这种安全控制框架具有强泛化能力。例如手持水杯场景：倾角超限即溢水，故将‘杯体姿态稳定性’设为硬约束；同理，机械臂运动中避免自碰撞、防晃动、防外力突变等，均可转化为可计算的约束函数。当多约束叠加时，系统仍可通过扩展优化目标，在安全性、动能效率与外部交互能力间取得最优解。
实施原则是渐进式加限——切忌一次性堆叠过多约束，否则系统将陷入‘过度保守’或‘不可解’状态。
视频验证了该框架实效：右侧机器人稳定操控水杯，即使人为施加扰动，仍能通过反向力矩维持杯体水平；左侧则展示其在人体靠近时自动减速、绕行，并实时预测肢体运动轨迹，防止碰撞——这标志着安全控制已从‘被动防御’升级为‘主动预判’。
再看购物车推动任务：未知质量、滚动重心偏移、电机扭矩极限……这些现实变量要求控制器在动态中求稳。我们依托高保真物理模型（机械臂、抓取、操作动力学），不仅保障安全，更追求可靠性与最优性。背后意义远超‘推车’本身——它是在校准机器人对自身空间定位、重心变化与视觉-动作闭环的综合理解能力。
我对此充满信心：高质量数据与模型正加速赋能机器人进化。但需清醒认知：我本人对纯视觉驱动路线持审慎态度——作为‘老派’研究者，我更信赖融合物理模型与数据驱动的混合范式。推车实验中仍存在滤波器失稳等未解问题。当前虽有高保真仿真，但真实世界的数据采集仍面临三重挑战：一是周期长、成本高；二是数据质量参差（噪声、偏差、标注误差）；三是‘分布外泛化’难题——若训练数据未覆盖真实部署场景，再大规模的数据也形同虚设。头部企业已通过构建高质量、高覆盖行动数据集破局，其投入产出比正持续优化。
开幕视频中机器人的失败值得深思：人类一句‘再试一次’，体现的是容错与共情；而数据驱动系统若遭遇崩溃，可能陷入无限重试死循环。某些场景（如沙地行走、气流扰动）涉及复杂流体力学，极难建模与仿真——这也提醒我们：数据不是万能解药，物理先验知识与安全边界思维不可或缺。
关于大语言模型（LLM）：它是强大的认知接口，但绝非安全基石。我不会让LLM独自照护我的祖母，也不会将其作为护理机器人的核心决策引擎——因为生命攸关的场景，需要的是可验证、可追溯、可约束的确定性控制，而非概率性输出。
最后，愿各位享受美味午餐。谢谢大家！