Digit

引言

Digit 是由美国 Agility Robotics 公司研发的人形双足机器人，专为物流搬运等商业任务而设计。Digit 是全球首个获得商业化部署的人形机器人，2023 年开始为亚马逊（Amazon）等客户执行仓储物流任务，标志着人形机器人从实验室正式走向工业现场。其设计哲学从一开始便以"商业可用性"为核心，摒弃追求形态完美的路线，转而专注于在特定场景中可靠、高效、安全地与人类协作。

发展历程

学术根源：俄勒冈州立大学

Agility Robotics 的技术源自俄勒冈州立大学（Oregon State University, OSU）的动力腿运动实验室（Dynamic Robotics Laboratory）。创始人乔纳森·赫斯特（Jonathan Hurst）自 2006 年起在 OSU 担任教授，长期研究双足机器人的动态步行与跑步问题。赫斯特的核心学术主张是：人类和动物的步行效率来自腿部的弹性储能机制，而非复杂的实时计算控制。他将这一思想落实到弹簧质量模型（Spring-Loaded Inverted Pendulum, SLIP）的工程实现上，并在多代机器人平台上加以验证。

赫斯特与他的学生共同研发了系列双足步行平台，包括早期的 ATRIAS（用于验证 SLIP 步行动力学）和后来更为成熟的 Cassie。这些平台的研究成果直接构成了 Digit 商业产品的技术基础。

Cassie：商业化的起点（2017）

2017 年，Agility Robotics 正式成立并发布了 Cassie——一款仅有双腿和躯干、没有手臂和头部的双足机器人。Cassie 的发布具有里程碑意义：它是第一款将 OSU 实验室的弹性步行理论成功封装为可向研究机构销售的商业产品的机器人。

Cassie 随后被卖给全球多所大学和研究机构，成为双足机器人控制领域最广泛使用的研究平台之一。2022 年，卡内基梅隆大学（Carnegie Mellon University）团队操控 Cassie 完成了在室外赛道上连续跑步 5 公里（5km）的挑战，用时约 53 分钟，全程无跌倒，刷新了双足机器人在非结构化地面长距离自主跑步的世界纪录。这一成就验证了 Cassie 底盘在长时间、高强度动态任务中的可靠性。

Digit V1：上半身的加入（2019）

2019 年，Agility Robotics 在 Cassie 底盘基础上增加了躯干、颈部、头部和一对四自由度手臂，推出了 Digit V1。这一代产品首次展示了双足机器人完整意义上的"全身协作"能力：机器人可以同时处理行走稳定性和上肢操作任务，例如从地面拾取箱体并将其放置到目标位置。

Digit V1 的控制框架也因此变得更加复杂，需要协调腿部动态平衡控制与手臂轨迹规划之间的关系，为后续全身控制器（Whole-Body Controller, WBC）的开发积累了大量经验。

Ford 试点项目（2020）

2020 年，福特汽车公司（Ford Motor Company）宣布与 Agility Robotics 合作，成为 Digit 的第一个商业合作伙伴。福特构想了一种"机器人快递"场景：由自动驾驶送货车将包裹运送至目的地附近，再由车载的 Digit 完成"最后一公里"的入户投递——弥补自动驾驶汽车无法上楼、无法操作门把手等能力缺口。

尽管这一具体场景在规模化上面临诸多挑战，福特的参与显著提升了 Digit 在商业界的曝光度，也为 Agility Robotics 带来了宝贵的现实场景反馈。

面向商业部署的重大升级（2022—2023）

2022 至 2023 年间，Agility Robotics 对 Digit 进行了全面升级，推出了面向大规模商业部署的量产版本。此次升级涵盖：

• 感知系统增强：头部集成了激光雷达（LiDAR）和多目深度摄像头，大幅提升了对动态环境的感知能力
• 手臂末端工具化：放弃追求通用灵巧手，转而设计可更换的专用末端执行器，以适应特定物流任务
• 软件平台成熟：推出 Agility Arc 企业级软件平台，支持任务编排、机群管理和远程监控
• 可靠性强化：在机械结构和电子系统层面进行了大量针对工业环境的强化设计

亚马逊投资与试点（2023）

2023 年，亚马逊宣布向 Agility Robotics 进行战略投资，并开始在其位于美国的配送中心（Fulfillment Center）中测试 Digit 执行仓储物流任务。亚马逊是全球最大的电子商务仓储运营商之一，将 Digit 引入其自动化体系标志着人形机器人在全球最高标准商业环境中的首次规模试验。

RoboFab 工厂开幕（2023）

2023 年，Agility Robotics 在俄勒冈州塞勒姆（Salem, Oregon）开设了 RoboFab——全球首个专门用于量产人形机器人的工厂。这一事件具有深远的行业象征意义。

持续商业化部署（2024）

2024 年，Digit 在多个客户现场持续执行试点和商业合同任务，涵盖仓储搬运、货物码垛、空箱回收等具体场景，进一步积累了在真实工业环境中长期稳定运行的数据与经验。

技术规格

参数	规格
身高	约 1.75 m
体重	约 65 kg
负载能力	约 16 kg
行走速度	约 1.5 m/s
自由度（Degrees of Freedom, DOF）	16+（双腿各 4、双臂各 4）
驱动方式	全电动
电池续航	约 2—4 小时（依任务强度而定）
感知系统	头部 LiDAR + 多目深度摄像头
通信	Wi-Fi、4G/5G
末端执行器	可更换末端工具（抓手、托盘等）
工作温度范围	室内常温环境（0—40 °C）

仿生腿部设计原理

弹簧倒立摆模型（SLIP Model）

Digit 腿部设计的理论基础是弹簧倒立摆模型（Spring-Loaded Inverted Pendulum, SLIP）。SLIP 模型由生物力学家在 20 世纪 80 年代提出，用于描述人类和动物在行走与跑步时质心（Center of Mass, CoM）运动的核心动力学特征。

在 SLIP 模型中，整个机体被简化为一个集中质量点 $m$，通过一根无质量的弹性腿连接到地面。弹性腿的自然长度为 $l_0$，弹簧刚度为 $k$，当腿与地面接触时，腿部受到压缩，其单位方向向量为 $\hat{r}$（从足部接触点指向质心）。质心在支撑相（Stance Phase）的运动方程为：

$$m\ddot{\mathbf{x}} = -k(l - l_0)\hat{r} + m\mathbf{g}$$

其中 $l$ 为当前腿长，$\mathbf{g}$ 为重力加速度向量。在水平方向上，这一方程可以简化为：

$$m\ddot{x} = -k(l - l_0)\frac{x}{l}$$

$$m\ddot{z} = -k(l - l_0)\frac{z}{l} - mg$$

SLIP 模型的关键洞见在于：双足步行和跑步的质心轨迹在很大程度上可以由这个简洁的弹簧系统自然产生，而无需复杂的逐步计算控制。弹性腿在支撑相压缩储能、在推蹬相释放弹性势能，使系统在整个步态周期内保持能量守恒，从而实现高效的周期运动。

鸟类腿部仿生：反关节设计（Reverse-Knee Design）

Digit 最直观的外形特征之一是其腿部呈现反关节（Reverse-Knee）结构——与人类膝盖向前弯折不同，Digit 的腿部关节向后弯折，外观酷似鸟类（如鸵鸟、鹤）的跖骨结构。

这一设计并非追求奇特外观，而是有着深刻的生物力学动机。鸟类通过反关节结构实现了以下优势：

1. 弹性储能最大化：反关节结构使腿部在弯折时能以更大的力臂拉伸跟腱（Achilles Tendon）等弹性结构，在相同关节角度变化下储存更多弹性势能。
2. 质量分布优化：将腿部大质量的驱动组件（电机、传动）集中在靠近髋部的位置，降低腿部转动惯量（Moment of Inertia），使腿部摆动更加轻盈快速，减少步态切换所需能量。
3. 被动稳定性：反关节结构在压缩载荷下具有自然的几何稳定性，减少了主动控制的负担。

串联弹性驱动器（Series Elastic Actuator, SEA）

Digit 的关节采用串联弹性驱动器（Series Elastic Actuator, SEA）设计。SEA 在电机与关节输出端之间串联一个弹性元件（通常为弹簧），其核心优势包括：

• 力矩精确测量：弹簧形变量直接对应输出力矩，使关节力矩控制精度大幅提升，优于纯位置控制模式。
• 冲击吸收：当足部与地面发生碰撞时，串联弹簧可吸收冲击能量，降低传递到电机和结构件的峰值载荷，延长机械寿命。
• 弹性储能：弹簧在步态压缩相储存势能，在推蹬相释放，直接减少电机驱动所需的电功率。
• 人机安全性：关节的柔顺特性（Compliance）使机器人与人类接触时的碰撞力更小，降低安全风险。

相比传统的刚性（Rigid）关节驱动，SEA 在能效、安全性和力控精度三个维度上均有显著优势，代价是引入了弹性动力学，使控制设计更为复杂。

效率优势总结

Digit 的仿生腿部设计将 SLIP 弹性步行动力学、反关节几何结构和 SEA 驱动有机结合，在已知人形机器人中实现了较高的步行能效比（Cost of Transport, CoT）。这使得 Digit 能够在有限的电池容量下持续工作数小时，满足仓储班次的基本需求。

控制架构

分层控制总体结构

Digit 的控制系统采用经典的分层架构，从高层任务规划到底层关节控制依次分为三个层次：

1. 任务层（Task Layer）：接收来自 Agility Arc 平台的高层任务指令（如"前往坐标 A，拾取托盘，搬运至坐标 B"），并将其分解为可执行的行为序列。
2. 行为层（Behavior Layer）：包含行为状态机（Behavior State Machine, BSM），负责管理机器人在不同行为模式（站立、行走、拾取、放置、等待充电等）之间的切换逻辑，并为全身控制器提供目标状态。
3. 控制层（Control Layer）：运行全身控制器（Whole-Body Controller, WBC），将行为层的目标转化为具体的关节力矩指令，实时发送到各关节驱动器。

全身控制器（Whole-Body Controller, WBC）

全身控制器是 Digit 实时控制栈的核心，其任务是在满足全身动力学约束和接触约束的前提下，计算出使机器人跟踪目标运动的最优关节力矩。

WBC 通常将问题表述为一个二次规划（Quadratic Programming, QP）优化问题：

$$\min_{\mathbf{\tau}, \mathbf{f}} \quad \frac{1}{2}\|\mathbf{J}_{task}\dot{\mathbf{q}} - \dot{\mathbf{x}}_{des}\|^2_W + \frac{1}{2}\|\mathbf{\tau}\|^2_{R}$$

$$\text{s.t.} \quad \mathbf{M}\ddot{\mathbf{q}} + \mathbf{C}\dot{\mathbf{q}} + \mathbf{g} = \mathbf{S}^T\mathbf{\tau} + \mathbf{J}_c^T\mathbf{f}$$

其中 $\mathbf{M}$ 为质量惯量矩阵，$\mathbf{C}$ 为科氏力矩阵，$\mathbf{g}$ 为重力项，$\mathbf{S}$ 为选择矩阵（区分驱动与非驱动自由度），$\mathbf{J}_c$ 为接触雅可比矩阵，$\mathbf{f}$ 为地面接触力，$\mathbf{\tau}$ 为关节力矩。

WBC 以约 1 kHz 的频率运行，确保在步态动力学快速变化期间仍能维持稳定控制。

行为状态机（Behavior State Machine, BSM）

行为状态机负责管理 Digit 在各种工作状态之间的转换。在仓储场景中，典型的状态包括：

• 空闲待机（Idle/Stand）：机器人保持站立姿态等待新任务
• 导航行走（Navigate）：根据地图和路径规划移动到目标位置
• 对准目标（Align）：精细调整位置和姿态以对准待拾取物体
• 拾取操作（Pick）：执行上肢操作序列，完成物体抓取
• 搬运行走（Carry-Navigate）：负重状态下的稳定行走，控制策略有别于空载行走
• 放置操作（Place）：将物体精确放置到目标位置
• 返回待机（Return）：完成任务后返回待机区域或充电站

各状态之间的转换条件由感知系统的实时反馈（物体检测成功、位置到达确认等）和任务管理系统的指令共同决定。

感知与定位

Digit 依赖以下感知模块构建对环境的理解：

• 激光雷达（LiDAR）：用于环境地图构建（Simultaneous Localization and Mapping, SLAM）和实时避障
• 深度摄像头（Depth Camera）：用于近距离物体检测、位姿估计和操作引导
• 惯性测量单元（Inertial Measurement Unit, IMU）：用于机体姿态估计，是平衡控制的核心传感器
• 关节编码器（Joint Encoder）：提供每个关节的位置和速度反馈，用于状态估计和控制闭环

感知系统的数据融合在机载计算单元上实时完成，保证控制响应的低延迟。

Agility Arc 软件平台

平台定位与架构

Agility Arc 是 Agility Robotics 为 Digit 商业部署专门开发的企业级软件平台，定位为连接客户业务系统与 Digit 机器人机群之间的中间层。该平台采用云端（Cloud）与本地边缘（On-Premise Edge）混合部署架构：

• 云端组件：负责长期数据存储、机群监控大屏、任务统计分析和远程诊断
• 边缘组件：部署在客户仓库的本地服务器上，负责实时任务调度、低延迟指令下发和网络隔离下的离线作业能力

任务分配仪表盘（Task Assignment Dashboard）

操作员通过 Agility Arc 的 Web 界面访问任务分配仪表盘，界面提供：

• 仓库地图视图：实时显示每台 Digit 的位置、状态（执行中/等待/充电/异常）和当前任务
• 任务队列管理：操作员可手动创建、编辑和优先级排序任务，也可配置自动触发规则（如当传送带积压超过 N 个箱体时自动派发搬运任务）
• 机器人健康看板：显示每台 Digit 的电量、关键传感器状态、今日累计作业时长和任务完成率
• 异常告警中心：当机器人遭遇无法自主处理的情况（如物体掉落、路径障碍物等）时，系统自动推送告警并请求人工介入

机器人监控与远程诊断

Agility Arc 提供细粒度的机器人状态监控能力：

• 实时关节数据流：可查看各关节的力矩、温度和位置实时曲线，辅助预判机械故障
• 视觉数据回传：支持按需拉取机器人第一视角画面，用于任务核查和事故分析
• 日志与回放：每次任务的完整传感器日志可供事后回放，支持工程师远程定位问题
• 固件与模型推送：控制软件更新和感知模型迭代可通过平台统一推送，无需逐台现场操作

多机器人协调协议（Multi-Robot Coordination Protocol）

当多台 Digit 在同一仓库区域协同作业时，Agility Arc 的调度引擎负责协调，防止路径冲突和任务重复：

• 集中式任务分配：调度引擎持有全局任务队列，根据每台机器人的当前位置、电量和能力为其分配最优任务
• 分布式路径规划：各机器人在本地执行路径规划，但在向调度引擎注册路径预约（Path Reservation）后方可执行，以避免碰撞
• 死锁检测与解锁：当多台机器人互相等待对方让路时，调度引擎检测死锁并指定优先级顺序，引导其中一台退避让行
• 动态任务重派：若某台机器人在执行任务途中电量不足或发生异常，调度引擎自动将未完成任务重新分配给其他可用机器人

与客户系统集成的 API

Agility Arc 提供 RESTful API 和事件订阅（Webhook）机制，支持与仓库管理系统（Warehouse Management System, WMS）、仓库控制系统（Warehouse Control System, WCS）等客户现有系统集成：

• 任务触发接口：WMS 可通过 API 直接向 Agility Arc 提交搬运任务，无需人工操作
• 状态查询接口：WMS 可实时查询任务完成状态，用于更新库存记录
• 事件推送：任务完成、机器人故障等事件可通过 Webhook 实时推送到客户系统

亚马逊仓储部署

部署背景

亚马逊在全球运营着数百个大型配送中心，高度自动化，但仍存在部分场景依赖人工完成：尤其是对于需要在立体空间中灵活移动、在非标准货架上取放物品的任务，传统固定式机器人难以胜任。2023 年与 Agility Robotics 的合作，是亚马逊在现有 Kiva（现更名为 Amazon Robotics）移动货架系统基础上，探索引入具身智能（Embodied AI）机器人的重要步骤。

空箱搬运任务（Empty Tote Handling）

Digit 在亚马逊配送中心执行的核心任务之一是空托盘（Empty Tote）的回收与搬运。在仓储流程中，工人将商品从托盘中取出后，空托盘需要被收集并运回指定区域以便再次使用。这一任务具有以下特点：

• 物体形态规则（标准尺寸托盘），适合当前版本 Digit 的末端执行器
• 任务重复性高，执行逻辑相对固定，适合当前阶段的行为编排能力
• 对操作精度要求适中，容错窗口（Tolerance Window）相对宽松
• 不需要与人类工人密切协作，降低了安全风险

与传送带系统的交互（Conveyor Interface）

Digit 在部分部署场景中需要与传送带系统协作，将物体从传送带末端取下或将物体放置到传送带上。这要求 Digit 能够：

• 精确定位：相对传送带出口的位置精度控制在厘米量级
• 动态同步：如果传送带持续运行，Digit 需要在物体运动过程中完成抓取（Dynamic Grasping），这对视觉引导和运动规划提出了更高要求
• 传感融合：结合深度摄像头的物体检测结果和传送带控制系统的状态信号，判断最优拾取时机

在初期部署阶段，亚马逊通常将传送带调整为间歇运行模式（Stop-and-Go），降低 Digit 对动态抓取的要求，待技术成熟后再逐步过渡到连续流场景。

与亚马逊仓储管理系统的集成

Digit 通过 Agility Arc API 与亚马逊的仓储管理系统（WMS）和仓库控制系统（WCS）对接：

• 当 WMS 检测到某区域空托盘积压时，自动向 Agility Arc 发出搬运请求
• Agility Arc 将任务分配给最近的可用 Digit
• Digit 完成任务后，通过 API 回报完成状态，WMS 同步更新该区域的托盘库存记录

这一集成减少了人工干预需求，使机器人作业与仓库整体物流流程紧密耦合。

部署效果与指标

根据公开报道，亚马逊在评估 Digit 部署效果时关注以下关键指标：

• 任务吞吐量（Task Throughput）：每小时完成的搬运任务数量
• 任务成功率（Task Success Rate）：无需人工干预自主完成任务的比例
• 正常运行时间（Uptime）：机器人在计划作业时间内实际可用的比例
• 人机协作安全事件率：与人类工人发生接触或险情的频次

亚马逊将 Digit 的引入定位为"解放员工从事更有价值工作"而非"替代员工"，在公开沟通中强调与工会和员工代表的沟通和透明度。

RoboFab 工厂

概述与战略意义

RoboFab 是 Agility Robotics 于 2023 年在俄勒冈州塞勒姆（Salem, Oregon）建立的工厂，被认为是全球首个专门用于量产人形机器人的工厂。这一事件在机器人行业具有重要的象征与实践意义：它标志着人形机器人从单件定制的实验室产品，开始向批量制造的工业品转型。

选址与背景

Salem 距离 Agility Robotics 的技术源头俄勒冈州立大学（位于 Corvallis）约 20 公里，选址便于与大学的研究团队保持紧密合作，也利于招募当地技术人才。俄勒冈州还提供了相对友好的制造业税收和政策环境。

生产能力目标

RoboFab 在开幕时公布的年产能目标为每年生产 10,000 台 Digit 机器人。这一数字对于机器人行业而言极具野心：在 2023 年，全球工业机器人（传统手臂式）的年出货量约为 50 万台，而人形机器人此前从未实现过规模化生产。10,000 台的目标若实现，将超过此前所有人形机器人的累计生产量之和。

制造工艺与流程

RoboFab 的生产线设计体现了以下原则：

• 模块化装配（Modular Assembly）：Digit 被分解为腿部、躯干、手臂、头部、电源系统等独立模块，各模块在专用工位上平行装配后，在最终工位完成集成和系统测试
• 自动化测试（Automated Testing）：每台出厂的 Digit 需通过标准化的硬件自检、软件自检和动态步行测试程序，确保出厂质量一致性
• 快速迭代能力：生产线设计预留了工艺改进的灵活性，支持在不停线的情况下对局部装配工艺进行调整，以适应产品迭代
• 供应链本地化：部分关键零部件（如弹性元件、传动组件）计划在俄勒冈州及周边地区采购，降低供应链脆弱性

行业示范效应

RoboFab 的开幕向整个人形机器人行业传递了信号：规模化生产在技术和工程层面已具备可行性。这促使多家竞争者（包括 Figure AI、1X Technologies 等）加快了各自生产扩张计划，间接推动了行业整体的商业化进程。

技术挑战与解决方案

电池续航（Battery Life）

当前挑战：Digit 的电池续航约为 2—4 小时，依任务强度（持续行走、频繁搬运等）而定。典型仓储班次长度为 8—12 小时，单次充电无法覆盖完整班次，需要轮班充电或多台机器人接力，增加了运营复杂度。

解决方向： - 自动充电站（Autonomous Charging Station）：Digit 可在任务间歇自主导航到充电站，减少停机时间 - 换电系统（Battery Hot-Swap）：研究快速更换电池组的方案，将充电停机时间从数小时压缩至数分钟 - 能效优化：持续改进步行控制算法，进一步降低行走能耗，延长有效作业时间 - 更高能量密度电池：随着固态电池（Solid-State Battery）等新型电池技术成熟，未来 Digit 的续航有望显著提升

末端操作灵活性（Dexterity Limitations）

当前挑战：Digit 当前版本的末端执行器为简化的抓手或托盘，不具备人手级别的灵巧操作能力。这使 Digit 难以处理形态多样、需要精细操作的物体（如软袋、不规则形状箱体、带拉链的包装等），限制了其可执行任务的范围。

解决方向： - 专用末端工具库：针对不同任务开发专用末端执行器，通过快速更换机制（Tool Change Mechanism）扩展 Digit 的任务覆盖范围，而非追求单一的通用灵巧手 - 柔性抓手（Soft Gripper）：引入基于气动或弹性材料的柔性抓手，提升对不规则物体的适应能力 - 感知引导操作：改进视觉和触觉感知能力，使机器人能更准确地判断抓取点和施力策略 - 长期目标：随着灵巧手技术成熟，未来版本的 Digit 可能集成更高自由度的末端执行器

非结构化环境可靠性

当前挑战：Digit 在高度结构化的仓储环境中表现良好，但在更复杂的非结构化环境（如建筑工地、家庭环境）中，遭遇未知障碍物、不平地面、强光/弱光干扰等情况时，任务成功率和安全性仍需提升。

解决方向： - 感知鲁棒性增强：改进感知算法对光照变化、传感器噪声和遮挡的处理能力 - 自适应步态控制：研究能够实时响应地面类型（光滑、湿滑、碎石等）并动态调整步行策略的控制算法 - 机器学习增强：利用真实部署数据持续训练感知和决策模型，提升对边缘场景的处理能力

长期可靠性与维护

当前挑战：人形机器人在工业环境中长期运行（数千小时）的机械磨损、软件稳定性和维护成本尚未经过充分验证。

解决方向： - 预测性维护（Predictive Maintenance）：通过实时监控关节力矩、温度等健康指标，提前预警潜在故障 - 模块化快速更换：将易损件设计为可现场快速更换的模块，降低维护停机时间 - 远程诊断与修复：通过 Agility Arc 平台实现软件层面故障的远程诊断和修复，减少现场服务需求

机器学习与 AI 能力演进

感知模型的迭代方向

早期版本的 Digit 主要依赖经典计算机视觉方法（如点云配准、模板匹配）完成物体检测和位姿估计。随着深度学习技术在工业落地能力的提升，Agility Robotics 逐步将基于神经网络的感知模型引入控制栈：

• 目标检测与实例分割：采用基于卷积神经网络（Convolutional Neural Network, CNN）的检测模型，在仓储场景中识别托盘、箱体、传送带出口等目标，支持在复杂光照和遮挡条件下的稳健检测。
• 6D 位姿估计（6D Pose Estimation）：结合深度图和 RGB 图像，估计目标物体的完整空间姿态（三维平移 + 三维旋转），为操作规划提供精确的输入。
• 场景语义理解：识别动态障碍物（行人、叉车等）与静态结构（货架、地标）的类别，支持导航决策。

仿真训练与 Sim-to-Real 迁移

由于在真实工厂环境中收集大量训练数据成本高昂，Agility Robotics 大量采用仿真训练（Simulation-based Training）结合真实微调（Real-world Fine-tuning）的策略：

• 仿真环境搭建：在物理仿真引擎（如 MuJoCo 或 Isaac Gym）中构建高保真仓储场景，批量生成多样化训练数据
• 域随机化（Domain Randomization）：随机化光照、物体外观、物理参数等，增强模型对真实环境的泛化能力
• Sim-to-Real 迁移：将仿真中训练好的模型迁移到真实机器人，通过少量真实数据微调，弥补仿真与现实的差距（Reality Gap）

与同类产品对比

以下对比表格聚焦于物流仓储应用场景，将 Digit 与同期具有代表性的机器人产品进行对比：

对比项	Digit（Agility Robotics）	Boston Dynamics Stretch	Unitree H1	Figure 02（Figure AI）
机器人类型	双足人形机器人	轮式工业机器人手臂	双足人形机器人	双足人形机器人
主要定位	物流搬运商业化先行者	仓储箱体搬运专用	通用双足研究/商业平台	通用人形商业平台
身高/体型	~1.75 m / 人形	~1.7 m / 轮式基座+手臂	~1.8 m / 人形	~1.7 m / 人形
体重	~65 kg	~未公开（整体系统约 100+ kg）	~47 kg	~未公开
负载能力	~16 kg	~23 kg（单次)	~30 kg	~未公开
双足行走	是	否（轮式移动）	是	是
爬楼梯能力	有限（低阶台阶）	否	是	是（声称）
末端操作	可更换专用工具	专用吸盘抓手	可更换末端工具	多指灵巧手（开发中）
商业化阶段（截至 2024）	商业合同部署（亚马逊等）	商业销售（DHL 等）	商业销售（研究/试点）	早期试点
软件平台	Agility Arc（含机群管理）	Stretch SDK + 自定义	厂商 SDK	未公开（内部平台）
电池续航	~2—4 小时	~8 小时（轮式能效更高）	~约 2 小时	未公开
主要优势	商业化最成熟、生态最完整	专用场景效率极高、成本可控	价格相对低、双足通用性	AI 能力与灵巧性潜力
主要劣势	续航短、灵巧性有限	不能爬楼、移动灵活性低	商业生态尚在建立	商业成熟度不及 Digit

关键结论：

• Boston Dynamics Stretch 在纯仓储箱体搬运场景中具有极高专用效率，但移动灵活性受轮式结构限制，无法应对复杂地形。
• Digit 在双足人形机器人中商业化成熟度最高，已完成从实验室到真实商业环境的跨越。
• Unitree H1 以相对低廉的价格提供了完整的双足平台，但商业服务生态和可靠性验证仍需积累。
• Figure 02 以更高的灵巧性和 AI 能力为卖点，代表了人形机器人的另一条发展路线，但商业成熟度仍落后于 Digit。

这四款产品代表了不同的设计哲学和商业路径，在实际选型时需要根据具体任务需求、环境条件和运营成本综合评估。

从行业发展趋势来看，专用型（如 Stretch）和通用型（如 Digit、Figure 02）之间的边界将随技术进步逐渐模糊。Digit 凭借先发的商业化优势和完善的软件生态，在近期仍将保持物流人形机器人领域的领先地位；而更长远的竞争格局则取决于各家在灵巧操作、续航和规模化生产成本三个维度上的突破速度。

参考资料

1. Digit, Agility Robotics 官网
2. Agility Robotics, Wikipedia
3. Amazon tests Digit robots, About Amazon, 2023
4. RoboFab: World's first humanoid robot factory, Agility Robotics
5. Cassie completes 5km run, Carnegie Mellon University, 2022
6. Jonathan Hurst faculty page, Oregon State University
7. Spring-Loaded Inverted Pendulum model, Journal of Experimental Biology
8. Series Elastic Actuators, Pratt & Williamson, ICRA 1995
9. Boston Dynamics Stretch, Boston Dynamics 官网
10. Unitree H1, Unitree Robotics 官网
11. Figure 02, Figure AI 官网