Unitree H1 / G1

引言

H1 和 G1 是由中国杭州宇树科技有限公司（Unitree Robotics）研发的人形机器人。宇树科技以高性价比的四足机器人（如 Go 系列、B 系列）闻名全球，其人形机器人同样延续了高性能与低成本并重的策略。H1 于 2023 年发布，是中国首个实现全身动态运动的全尺寸人形机器人；G1 作为小型化版本于 2024 年发布，以低于 10 万元人民币的起售价引发行业震动。两款机器人均采用宇树自研关节电机与基于强化学习（Reinforcement Learning, RL）的运动控制框架，代表了中国在具身智能（Embodied Intelligence）领域的重要突破。

发展历程

宇树科技由王兴兴于 2016 年创立，早期专注于四足机器人的研发，积累了大量关于高扭矩密度电机设计、仿真训练与实机迁移的核心技术，并在人形机器人研发阶段得以充分复用：

• 2016 年：宇树科技成立，首款四足机器人 Laikago 问世，奠定了自研关节电机路线。
• 2019 年：A1 四足机器人发布，以不足 Boston Dynamics Spot 十分之一的价格提供接近的动态运动能力，引发国际关注。
• 2021-2022 年：先后推出 Go1、B1、B2 等四足机器人，Go1 消费级版本零售价低至约 2,700 美元，进一步验证极致成本控制路线。
• 2023 年 8 月：H1 人形机器人正式发布，售价约 9 万美元，是同类全尺寸人形机器人中价格最低的产品之一，整机19个自由度，采用与四足机器人同源的 M107 关节电机。
• 2024 年 3 月：H1 展示了全尺寸人形机器人的速度纪录，行走速度达 3.3 m/s，超越此前 Atlas 保持的纪录，由端到端强化学习控制器驱动。
• 2024 年 5 月：G1 发布，起售价 99,000 元人民币（约 16,000 美元），是当时全球最便宜的量产人形机器人，提供 23 自由度基础版与 43 自由度高配版。
• 2024 年：G1 展示后空翻、太极拳、足球射门等高难度动作演示；宇树科技完成 B+ 轮融资，估值超过 10 亿美元，正式步入独角兽企业行列。
• 2025 年：宇树科技持续迭代 SDK2 开发者工具链，推动 G1 在高校和科研机构的规模化部署。

技术规格

H1

参数	规格
身高	约 1.80 m
体重	约 47 kg
负载能力	约 30 kg
行走速度	最高 3.3 m/s
自由度（Degrees of Freedom, DOF）	19（腿部 5×2、腰部 3、手臂 3×2）
驱动方式	全电动，自研 M107 关节电机
关节峰值扭矩	360 N·m（腿部髋/膝关节）
电池容量	864 Wh 锂电池
续航时间	约 2 小时（正常步行）
感知系统	3D 激光雷达（LiDAR）+ 深度摄像头
计算平台	主控计算机 + 实时运动控制器
通信接口	以太网（Ethernet）/ Wi-Fi

G1 技术规格

G1 是 H1 的轻量化、低成本衍生版本，针对科研和开发者市场设计，提供两种核心配置：

G1 标准版（23 自由度）

参数	规格
身高	约 1.27 m
体重	约 35 kg
自由度	23 DOF（腿部 6×2、腰部 1、手臂 4×2、头部 1）
关节驱动	自研无框力矩电机（Frameless Torque Motor）
髋关节峰值扭矩	约 88 N·m
膝关节峰值扭矩	约 139 N·m
踝关节峰值扭矩	约 50 N·m
电池容量	约 864 Wh
续航时间	约 2 小时
感知系统	深度摄像头 + 惯性测量单元（IMU）
计算平台	英特尔（Intel）NUC 主控 + 实时低层控制器
起售价	99,000 元人民币（约 16,000 美元）

G1 高配版（43 自由度）

高配版在标准版基础上增加腕部、手部和头部自由度，并配备 Dex3-1 灵巧手（Dexterous Hand）：

参数	规格
自由度	43 DOF
手部配置	双侧 Dex3-1 灵巧手，单手 11 DOF
手指数量	每手 3 指（拇指、食指、中指），具备独立力矩控制
腕部自由度	额外增加 3 DOF 腕关节
头部自由度	2 DOF 头部俯仰/偏航
传感器	新增头部 RGB-D 摄像头（RGB-Depth Camera）模组
力/力矩传感器	六维力/力矩传感器（6-axis Force/Torque Sensor）可选

Dex3-1 灵巧手采用连杆驱动（Linkage-Driven）机构，每根手指可独立施加最大约 10 N 的指尖力，支持抓握、夹持、捏取等多种手势，并通过内置编码器（Encoder）实现精确位置控制。

G1 感知与计算平台详细配置

模块	配置
主深度摄像头	Intel RealSense D435i（双目 + 结构光）
可选激光雷达	Unitree L1（360° 旋转，12 线）
惯性测量单元	六轴 IMU，集成在躯干主控板
足底传感器	可选压力分布传感器（Pressure Distribution Sensor）
主控计算机	Intel NUC 12，Core i7，32 GB RAM，1 TB SSD
实时控制器	自研低层运动控制板，运行频率 1 kHz
通信总线	EtherCAT 实时以太网总线，连接所有关节电机
无线通信	Wi-Fi 6（802.11ax）+ 蓝牙 5.0

关节电机技术

宇树科技的核心竞争力之一是自主研发的高性能关节电机，贯穿四足和人形机器人全产品线。

M107 电机（H1 专用）

M107 是宇树为 H1 髋关节和膝关节设计的旗舰关节电机，技术参数如下：

参数	数值
外径	107 mm
峰值扭矩	360 N·m
额定扭矩	45 N·m
峰值功率	约 5.4 kW
转子转动惯量	极低（无减速器直驱架构）
控制模式	位置、速度、力矩（三模式可切换）
反馈传感器	多圈绝对值编码器（Multi-turn Absolute Encoder）

M107 的峰值扭矩与额定扭矩之比约为 8:1，意味着电机可以在短时间内输出远超额定的冲击扭矩，这对跑跳等动态运动至关重要。额定扭矩 $T_{\text{rated}} = 45$ N·m，峰值扭矩 $T_{\text{peak}} = 360$ N·m，过载比为：

$$\text{过载比} = \frac{T_{\text{peak}}}{T_{\text{rated}}} = \frac{360}{45} = 8$$

M80 电机（手臂关节）

H1 手臂关节采用相对轻量化的 M80 系列电机：

参数	数值
外径	80 mm
峰值扭矩	约 45 N·m
额定扭矩	约 12 N·m
重量	约 0.6 kg

M80 在保证足够手臂操作力矩的同时，大幅降低了手臂末端的转动惯量，有利于快速、精准的手臂运动控制。

磁通切换永磁电机原理

宇树关节电机采用磁通切换永磁（Flux-Switching Permanent Magnet, FSPM）或类似的无框力矩电机设计。与传统永磁同步电机（Permanent Magnet Synchronous Motor, PMSM）相比，FSPM 设计的优势在于：

• 高扭矩密度：永磁体位于定子侧，转子为简单的凸极结构，去除了转子绕组和永磁体，降低转子转动惯量。
• 散热优势：绕组和永磁体均在定子侧，散热路径更短，持续输出能力更强。
• 紧凑结构：无需减速器（Gearbox）或采用低减速比谐波减速器，减少摩擦和弹性形变，提升反向驱动性（Back-Drivability），使机器人在接触碰撞时更安全。

电机的扭矩输出可以表示为：

$$T = K_t \cdot I$$

其中 $K_t$ 为电机扭矩常数（N·m/A），$I$ 为相电流（A）。高扭矩密度电机设计的目标是在尽量小的电机体积和重量下，实现尽量大的 $K_t$。

与 H1 速度纪录的关系

M107 电机的高峰值扭矩是 H1 实现 3.3 m/s 世界纪录的关键硬件基础。在跑步步态（Running Gait）中，腿部关节需要在极短时间内输出大扭矩以完成蹬地和腾空阶段，M107 的 360 N·m 峰值扭矩保证了足够的加速能力，而低转动惯量设计则保证了快速的扭矩响应（Torque Response）。

强化学习运动控制

宇树科技的运动控制框架是其人形机器人技术的另一核心支柱，采用端到端的深度强化学习（Deep Reinforcement Learning, DRL）方法，从仿真训练到实机部署（Sim-to-Real Transfer）的完整流程。

大规模并行仿真训练

H1 和 G1 的运动策略在 NVIDIA Isaac Gym 仿真环境中训练，利用 GPU 加速实现大规模并行仿真：

• 并行环境数量：单张 NVIDIA A100 或 H100 GPU 可同时运行 4,000 至 10,000 个机器人仿真实例。
• 训练速度：相比传统 CPU 仿真，GPU 并行仿真将训练速度提升约 100 至 1,000 倍，使原本需要数月的训练压缩到数小时。
• 物理引擎：Isaac Gym 集成 PhysX 物理引擎，支持精确的接触力仿真（Contact Force Simulation）和刚体动力学（Rigid Body Dynamics）。

课程学习策略

为让机器人从简单场景逐步掌握复杂地形的运动能力，训练采用课程学习（Curriculum Learning）策略：

1. 初级阶段：平坦地面上的基本前进步态训练，奖励前向速度，惩罚摔倒。
2. 中级阶段：引入随机地形（Random Terrain），包括随机高度场（Height Field）、斜坡、台阶（约 10-15 cm 高度）。
3. 高级阶段：引入强干扰（Perturbation），包括随机外力推击、地面摩擦系数随机化、关节延迟随机化。
4. 速度课程：目标速度从 0.5 m/s 逐步提升到 3.5 m/s，让控制器学习在高速下保持稳定。

课程学习的核心思想是：在训练初期保持任务难度在可学习范围内，随着策略能力提升逐步增加难度，类似人类学习运动技能的过程。

奖励函数设计

强化学习运动控制的奖励函数（Reward Function）通常由多个子奖励项加权组合，典型结构如下：

$$r_{\text{total}} = \sum_{i} w_i \cdot r_i$$

各子奖励项及其作用如下：

奖励项	符号	作用
前向速度奖励	$r_{\text{vel}}$	鼓励机器人以目标速度前进
姿态稳定奖励	$r_{\text{orient}}$	惩罚躯干过度倾斜
关节速度惩罚	$r_{\text{jvel}}$	惩罚过大关节速度，减少抖动
关节加速度惩罚	$r_{\text{jacc}}$	平滑关节运动，延长电机寿命
接触力惩罚	$r_{\text{contact}}$	惩罚非足底的意外接触
对称性奖励	$r_{\text{sym}}$	鼓励左右对称步态
能耗惩罚	$r_{\text{energy}}$	惩罚过高的机械功率消耗
存活奖励	$r_{\text{alive}}$	每步存活给予正奖励，摔倒即终止

其中前向速度奖励通常定义为：

$$r_{\text{vel}} = \exp\left(-\frac{(v_x - v_{\text{cmd}})^2}{\sigma^2}\right)$$

$v_x$ 为实际前向速度，$v_{\text{cmd}}$ 为指令速度，$\sigma$ 控制奖励宽度。这种指数形式保证了速度误差越小奖励越高，同时避免了稀疏奖励问题。

域随机化与仿真-实机迁移

为弥合仿真与实机之间的物理差异（Sim-to-Real Gap），训练阶段引入大量域随机化（Domain Randomization）：

• 物理参数随机化：关节摩擦系数（±50%）、质量（±20%）、质心位置（±5 cm）、弹簧刚度（±30%）。
• 传感器噪声：IMU 加速度计和陀螺仪添加高斯白噪声（Gaussian White Noise），模拟实际传感器噪声特性。
• 执行器延迟：随机化关节指令到实际输出的延迟（5-20 ms），覆盖实机通信延迟。
• 地面摩擦：地面摩擦系数在 0.3 至 1.5 之间随机采样，覆盖木地板、瓷砖、地毯等场景。

训练得到的策略网络通常为多层感知机（Multi-Layer Perceptron, MLP），输入为机器人状态观测量，输出为各关节的目标位置或力矩：

$$\mathbf{a}_t = \pi_\theta(\mathbf{o}_t)$$

其中 $\mathbf{o}_t$ 为观测向量（包含 IMU 数据、关节位置/速度、历史动作等），$\mathbf{a}_t$ 为动作向量（各关节目标位置偏移量），$\pi_\theta$ 为参数化策略网络。

H1 速度纪录

背景与纪录突破

2024 年 3 月，宇树科技公开展示了 H1 以 3.3 m/s 的速度行走的视频，这一成绩被广泛认可为全尺寸人形机器人（身高超过 1.5 m、体重超过 40 kg）的行走速度世界纪录。

在此之前，Boston Dynamics 的 Atlas 机器人保持着类似级别人形机器人的速度纪录，其展示的跑步速度约为 2.5 m/s（约 9 km/h）。H1 的 3.3 m/s 相当于约 12 km/h，已超过普通成年人的快走/慢跑速度（约 10-11 km/h），接近人类中等速度的慢跑。

步态分析

H1 在速度纪录演示中采用的是快速行走步态，严格意义上介于快走（Fast Walking）和小跑（Trotting）之间：

• 双支撑相（Double Support Phase）：两脚同时着地的时间极短，约 5-10% 步态周期。
• 单支撑相（Single Support Phase）：单脚支撑时间约 40-45% 步态周期。
• 步频（Step Frequency）：约 3-4 步/秒。
• 步幅（Step Length）：约 0.8-1.0 m。

与人类跑步的核心区别在于，H1 在整个步态周期内始终保持至少一脚与地面接触（符合行走的定义），而非真正意义上的跑步（双腿腾空阶段）。强化学习控制器自发学习了这种高效步态，无需人工设计步态曲线。

技术使能因素

使 H1 能够突破 3.3 m/s 纪录的关键因素包括：

1. M107 电机的高峰值扭矩：保证在高速摆腿阶段提供足够的加速力矩。
2. 低转动惯量设计：无减速器直驱架构使关节响应延迟极低（约 1-2 ms）。
3. 端到端强化学习控制器：速度课程训练使控制器自适应优化高速步态，无需手工调参。
4. 1 kHz 控制频率：实时控制器以 1000 Hz 频率运行，保证高速运动下的控制精度。
5. 轻量化机身设计：47 kg 的整机重量在全尺寸人形机器人中处于较低水平，降低驱动负担。

G1 开发者 SDK 示例

宇树科技为 G1（以及 H1）提供了 Unitree SDK2 开发工具包，支持 Python 和 C++ 两种语言，基于 DDS（Data Distribution Service）通信中间件实现机器人状态订阅和指令发布。

环境配置

# 安装 Unitree SDK2 Python 绑定
pip install unitree_sdk2py

# 确认 G1 通过以太网连接（默认 IP: 192.168.123.161）
ping 192.168.123.161

订阅底层状态

以下示例展示如何通过 DDS 订阅 G1 的底层关节状态（低层状态，Low-Level State）：

import unitree_sdk2py as sdk
from unitree_sdk2py.core.channel import ChannelSubscriber, ChannelFactoryInitialize
from unitree_sdk2py.idl.unitree_hg.msg.dds_ import LowState_

# 定义状态回调函数
def handler(msg: LowState_):
    # msg.motor_state 包含所有关节的状态信息
    for i, joint in enumerate(msg.motor_state):
        q   = joint.q    # 关节角度 (rad)
        dq  = joint.dq   # 关节速度 (rad/s)
        tau = joint.tau_est  # 估计关节力矩 (N·m)
        print(f"关节 {i:02d}: q={q:.4f} rad, dq={dq:.4f} rad/s, tau={tau:.2f} N·m")

# 初始化 DDS 通信（0 为域 ID，"eth0" 为网络接口名称）
ChannelFactoryInitialize(0, "eth0")

# 创建订阅者，订阅底层状态话题
sub = ChannelSubscriber("rt/lowstate", LowState_)
sub.Init(handler, 10)  # 10 为队列深度

# 保持程序运行
import time
while True:
    time.sleep(1)

关节位置控制示例

以下示例展示如何发布关节位置控制指令，使 G1 的右肘关节（关节索引因版本不同而异）运动到目标角度：

import time
import unitree_sdk2py as sdk
from unitree_sdk2py.core.channel import (
    ChannelPublisher,
    ChannelFactoryInitialize,
)
from unitree_sdk2py.idl.unitree_hg.msg.dds_ import LowCmd_
from unitree_sdk2py.idl.default import unitree_hg_msg_dds__LowCmd_

# 初始化通信
ChannelFactoryInitialize(0, "eth0")

# 创建底层指令发布者
pub = ChannelPublisher("rt/lowcmd", LowCmd_)
pub.Init()

# 构建指令消息
cmd = unitree_hg_msg_dds__LowCmd_()

# 右肘关节（示例索引：关节 14，具体以 G1 关节定义文档为准）
JOINT_ID = 14

# 设置关节控制参数（混合位置-力矩控制，Hybrid Position-Torque Control）
cmd.motor_cmd[JOINT_ID].q      = -0.5   # 目标位置 (rad)
cmd.motor_cmd[JOINT_ID].dq     = 0.0    # 目标速度 (rad/s)
cmd.motor_cmd[JOINT_ID].kp     = 60.0   # 位置增益（刚度）
cmd.motor_cmd[JOINT_ID].kd     = 3.0    # 速度增益（阻尼）
cmd.motor_cmd[JOINT_ID].tau    = 0.0    # 前馈力矩 (N·m)

# 实际关节力矩计算公式：
# tau_actual = kp * (q_target - q_actual) + kd * (dq_target - dq_actual) + tau_ff
# 即：tau = kp*(q_d - q) + kd*(dq_d - dq) + tau_ff

# 发布指令（以 500 Hz 频率循环发布）
for _ in range(500):
    pub.Write(cmd)
    time.sleep(0.002)  # 2 ms 间隔，即 500 Hz

print("关节运动指令发送完毕")

ROS 2 集成

G1 同样支持通过 ROS 2（Robot Operating System 2）框架进行开发，宇树官方提供了 unitree_ros2 功能包：

# 克隆 ROS 2 驱动包
git clone https://github.com/unitreerobotics/unitree_ros2.git
cd unitree_ros2
colcon build --symlink-install

# 启动 G1 驱动节点
source install/setup.bash
ros2 launch unitree_ros2 g1_driver.launch.py

启动后，G1 的状态将以标准 ROS 2 话题形式发布，可使用 ros2 topic echo /joint_states 实时查看关节状态。

体育运动演示

宇树科技通过一系列高难度运动演示，向外界展示了 H1 和 G1 在动态运动控制（Dynamic Motion Control）和全身协调控制（Whole-Body Control, WBC）方面的能力边界。

后空翻（Backflip）

2024 年，G1 展示了后空翻动作，这是人形机器人领域最具技术含量的动作之一。技术意义在于：

• 极短腾空时间：后空翻腾空阶段约 0.5-0.7 秒，对控制器的预测和规划能力要求极高。
• 高峰值功率需求：蹬地瞬间腿部关节功率需求超过 5 kW，对电机峰值扭矩和功率密度要求严苛。
• 精确落地控制：落地阶段需要快速估计身体姿态并调整关节刚度以吸收冲击，防止摔倒。
• 开环与闭环结合：腾空阶段无地面反作用力反馈，依赖 IMU 姿态估计和预训练动作轨迹的开环执行。

足球射门

足球射门演示展示了：

• 快速踢腿动作：摆腿角速度超过 10 rad/s，要求高速关节控制。
• 单腿平衡：射门过程中需在单腿支撑状态下保持上身稳定，对平衡控制要求高。
• 动作与平衡的协调：全身协调控制框架需要同时规划踢腿轨迹和上身补偿动作。

武术演示（太极拳与功夫）

武术动作演示展示了 G1 的精细化轨迹跟踪（Trajectory Tracking）能力：

• 慢速精准控制：太极拳要求低速、流畅的关节运动，考验位置控制精度（约 ±0.01 rad）。
• 全身协调：包含双臂大范围运动与腿部同步协调，涉及 23-43 个自由度的同步控制。
• 阻抗控制：接触性动作需要柔顺控制（Compliant Control），而非刚性位置控制。

舞蹈表演

舞蹈演示通过预先录制的人类动作数据（Motion Capture Data），利用运动重定向（Motion Retargeting）技术将人类动作映射到机器人关节空间，实现类人的舞蹈动作。这一技术路线表明 G1 具备：

• 高带宽关节控制能力（跟踪快速变化的参考轨迹）。
• 在非完全稳定重心（Center of Mass, CoM）条件下维持平衡的能力。
• 上下身独立控制与协调的能力。

与其他国产人形机器人对比

以下表格对比了宇树 H1、宇树 G1 与国内其他主要人形机器人的核心参数：

参数	宇树 H1	宇树 G1	小米 CyberOne	傅利叶 GR-1	优必选 Walker S	智元 A1
身高	1.80 m	1.27 m	1.77 m	1.65 m	1.70 m	1.75 m
体重	47 kg	35 kg	52 kg	55 kg	70 kg	约 55 kg
自由度	19 DOF	23-43 DOF	21 DOF	40 DOF	41 DOF	49 DOF
负载能力	30 kg	约 3 kg	未公开	约 3 kg	约 5 kg	约 5 kg
最高速度	3.3 m/s	~2.0 m/s	约 3.6 km/h	~1.5 m/s	~3 km/h	~1.5 m/s
驱动技术	自研力矩电机	自研力矩电机	自研	自研	自研	自研
灵巧手	可选	可选（Dex3-1）	否	可选	有	有
运动控制	强化学习	强化学习	传统控制	强化学习	强化学习	强化学习
价格（约）	9 万美元	1.6 万美元	未发售	约 1.5 万美元	未公开	未公开
定位	科研/工业	科研/开发者	展示样机	科研/工业	工业/商业	工业/商业

备注：上表数据来源于各厂商公开资料，部分参数为估计值或发布时数据，实际产品可能有所不同。

从对比表格可以看出：

• 速度：H1 在速度指标上具有明显优势，这与其强化学习运动控制框架和高性能电机直接相关。
• 价格：G1 的 1.6 万美元价格在全球人形机器人市场中具有颠覆性意义，显著低于其他竞品。
• 自由度：G1 高配版（43 DOF）在国产人形机器人中属于较高水平，但智元 A1（49 DOF）略高。
• 灵巧操作：傅利叶 GR-1、优必选 Walker S 和智元 A1 均标配灵巧手，G1 和 H1 以可选配置保持成本灵活性。

四足到人形的技术迁移

宇树科技从四足机器人到人形机器人的技术路径，是国内机器人行业中技术迁移最为成功的案例之一。

电机技术复用

宇树在 Go2、B2 等四足机器人上积累的无框力矩电机（Frameless Torque Motor）设计经验直接应用于人形机器人：

• Go2 关节电机（外径约 80 mm，峰值扭矩约 45 N·m）与 H1 M80 手臂电机技术同源。
• B2 髋关节电机（外径约 100 mm，峰值扭矩约 200 N·m）的设计经验积累为 M107 的研发奠定基础。
• 同一批工程师团队负责四足和人形电机研发，知识和工艺经验直接传承。
• 相同的供应链（磁钢、硅钢片、绕组工艺）可以为两条产品线共用，进一步降低成本。

强化学习框架复用

宇树四足机器人（尤其是 Go2）的强化学习运动控制框架与 H1/G1 高度相似：

• 训练平台：均使用 NVIDIA Isaac Gym，采用相同的 GPU 并行训练流程。
• 奖励函数结构：速度跟踪奖励 + 姿态稳定惩罚 + 关节平滑惩罚的组合结构在四足和双足机器人中通用。
• 域随机化策略：四足机器人训练中验证有效的域随机化参数范围（质量偏差、摩擦随机化等）直接迁移到人形机器人训练。
• 仿真-实机迁移流程：在 MuJoCo 或 Isaac 中完成训练，导出策略网络（ONNX 或 TorchScript 格式），部署到机载计算机的标准化流程对两类平台相同。

仿真生态复用

宇树为四足机器人建立的开源仿真资产（URDF、Mujoco 模型）为人形机器人社区提供了参考：

# 四足 Go2 URDF 与人形 G1 URDF 均遵循相同的命名和坐标系约定
unitree_ros2/
├── config/
│   ├── go2.yaml       # 四足参数
│   └── g1.yaml        # 人形参数
├── urdf/
│   ├── go2.urdf       # 四足模型
│   └── g1.urdf        # 人形模型

从四足到双足的动力学差异

尽管技术迁移顺畅，四足到双足的转变也带来了若干新的技术挑战：

维度	四足机器人	人形机器人
静态稳定性	四点支撑，天然稳定	两点支撑，需主动平衡
质心高度	低（约 0.4-0.6 m）	高（约 0.9-1.1 m）
摆动自由度	4 条腿，相对简单	上下身耦合，全身协调复杂
摔倒恢复	较容易，低重心	较难，需专门训练
手部操作	不具备	是核心能力之一

双足直立行走的核心挑战在于质心高度大幅提升，使机器人成为一个倒立摆（Inverted Pendulum）系统，必须主动维持动态平衡（Dynamic Balance）。宇树通过引入零力矩点（Zero Moment Point, ZMP）约束和端到端强化学习克服了这一挑战。

价格颠覆效应

G1 的定价策略

G1 以 99,000 元人民币（约 16,000 美元）的起售价进入市场，这一价格在人形机器人行业中具有历史性意义：

机器人	厂商	参考价格（美元）	市场定位
Atlas	Boston Dynamics	约 150,000+	科研/展示
Spot	Boston Dynamics	约 75,000	工业巡检
Digit	Agility Robotics	约 250,000（租赁）	工业物流
Figure 01	Figure AI	未公开（估计 $200K+）	工业
Optimus（Tesla）	Tesla	约 20,000（目标价）	工业（量产中）
G1	Unitree	约 16,000	科研/开发者

G1 的价格约为 Boston Dynamics Atlas 的 1/10，约为 Digit 的 1/15，使其成为全球范围内首款真正意义上面向中小型科研机构和高校实验室的可购买量产人形机器人。

对科研社区的影响

低价格极大地扩展了人形机器人研究的受众范围：

• 高校实验室：国内多所顶尖高校（北京大学、清华大学、浙江大学等）已采购 G1 用于人形机器人运动控制研究。
• 初创公司：算法公司可以购买 G1 作为验证平台，无需自行研发硬件，降低创业门槛。
• 国际竞争：G1 的低价吸引了欧美高校研究者关注，部分实验室开始将其与 Atlas 并列作为研究平台选项。
• 开源生态：低价格 + 开放 SDK 的组合策略加速了围绕 G1 的开源算法社区形成。

成本控制方法论

G1 能够实现如此低价的原因，可归结为以下几点：

1. 自研核心零部件：关节电机、控制器、PCB 全部自研，避免高利润中间商。
2. 四足产品线的规模效应：Go2、B2 等四足产品的大批量生产摊薄了电机产线的固定成本，人形机器人共用同一产线。
3. 国内供应链优势：中国完整的电子制造供应链（磁性材料、精密加工、PCB 制造）提供了成本优势。
4. 模块化平台策略：G1 的关节模块设计高度标准化，可批量生产后按需组装成不同自由度版本。
5. 软件替代硬件复杂度：用强化学习软件方案替代传统机器人所需的精密机械设计（如弹簧腱、液压系统），降低机械成本。

行业竞争格局的变化

G1 发布后，行业竞争格局发生了显著变化：

• 价格压力：多家国内外人形机器人公司被迫重新审视其定价策略。
• 中国技术主导性：G1 和傅利叶 GR-1 的低价策略共同推动了人形机器人从"实验室展示品"向"可量产商品"的转变，中国厂商在这一转变中处于领跑位置。
• 投资热度：G1 的成功进一步加剧了国内人形机器人赛道的投资热潮，2024 年国内人形机器人相关融资超过 50 亿元人民币。

应用方向

• 科研与教育：G1 的低价使其成为高校和研究机构的理想平台，用于人形机器人运动控制、人机交互、具身智能（Embodied AI）等研究方向。
• 工业巡检：H1 可在工厂、仓库等结构化环境中执行周期性巡检和简单搬运任务，替代人类进行危险场所作业。
• 通用操作任务：随着 Dex3-1 灵巧手配件的完善，G1 高配版逐步拓展到装配、分拣、包装等操作任务。
• 开发者平台：通过开放 SDK2 和 ROS 2 接口，吸引算法开发者社区构建上层应用，形成类似智能手机应用生态的开放平台。
• 极端环境作业：H1 的高负载能力（30 kg）和全地形运动能力使其适合核电站、矿山等人类难以进入的高风险环境。

参考资料

1. Unitree H1 官方产品页，宇树科技官网
2. Unitree G1 官方产品页，宇树科技官网
3. Unitree SDK2 开发文档，GitHub，宇树科技
4. Unitree SDK2 Python 绑定，GitHub，宇树科技
5. Kumar, V. et al., "Learning Agile Locomotion Skills with a Torque-Controlled Humanoid Robot"，相关技术背景
6. NVIDIA Isaac Gym: High Performance GPU-Based Physics Simulation for Robot Learning，NVIDIA
7. Unitree G1 humanoid robot starts at $16,000，TechCrunch，2024
8. 宇树科技，百度百科
9. Peng, X. B. et al., "Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning"，arXiv: 2109.11978，2021
10. Unitree H1 sets humanoid robot speed record at 3.3 m/s，Unitree Robotics，2024