技术深度解析
马拉松成就并非单一的工程壮举，而是三条独立技术路径同时走向成熟的汇聚结果。
1. 肌肉：高扭矩密度、顺应性驱动器
机器人领域的传统电动驱动器面临一个根本性的权衡：高扭矩需要齿轮减速，但这会带来回差、刚度以及在动态负载下的效率低下。新一代驱动器采用本体感知驱动器（如串联弹性驱动器 - SEAs）和具有先进阀门控制的液压系统。波士顿动力的Atlas使用定制液压系统，高压流体同时提供动力和固有的顺应性。Agility Robotics的Digit在其腿部使用串联弹性驱动器，以类似弹簧的方式储存和释放能量，模仿人类肌腱。关键指标是扭矩密度——单位质量的扭矩输出。近期的设计已将这一指标提升至工业伺服电机的3-5倍。
| 驱动器类型 | 扭矩密度 (Nm/kg) | 效率 (峰值) | 关键优势 | 主要采用者示例 |
|---|---|---|---|---|
| 高减速比齿轮电机 | ~15-25 | 70-80% | 低成本，高速度 | 早期研究用双足机器人 |
| 本体感知 (SEA) | ~30-45 | 75-85% | 力控，顺应性 | Digit (Agility), Cassie |
| 先进液压系统 | ~50-80 | 60-75% | 极致功率，抗冲击性 | Atlas (波士顿动力) |
| 磁齿轮 / 直驱 (新兴) | ~40-60 (预估) | >90% (预估) | 无回差，高带宽 | 实验室原型 (MIT, ETH Zurich) |
数据要点： 转向顺应性、高扭矩密度的驱动器是基础性的硬件赋能因素。它提供了高效、坚韧的长时程运动所必需的“肌肉”，告别了过去僵硬、脆弱的系统。
2. 小脑：基于物理的世界模型用于步态优化
耐力奔跑需要对地形微变化进行实时适应，并持续优化步态以实现能效。这由世界模型驱动——这些神经网络在大量物理模拟数据集上训练而成。不同于传统模型预测控制（MPC）需要实时求解优化问题，这些学习得到的模型内化了动力学，从而能够对潜在动作的结果进行超快速（约1毫秒）预测。
一个关键的开源项目是`raisim`（Robust and Accurate Simulation），由苏黎世联邦理工学院机器人系统实验室开发的物理引擎。它在GitHub上拥有超过3.5k星标，能够以高物理保真度在仿真中大规模并行训练强化学习（RL）策略。加州大学伯克利分校RAIL实验室的研究人员贡献了`gym-gazebo`和用于Sim2Real（从仿真到现实）迁移的框架，使得在仿真中训练的策略能成功部署到物理机器人上。马拉松机器人的控制器很可能使用了数十亿步的仿真经验进行训练，学习最小化一个结合了能量消耗、平衡维持和前向速度的成本函数。
3. 催化剂：数字孪生与超现实仿真
一年的研发周期仅靠物理原型是无法实现的。这是通过数字孪生流程实现的。机器人的高保真虚拟副本及其环境（包括地面摩擦、空气阻力、驱动器动力学）在NVIDIA的Isaac Sim或Unity的ROS-TCP-Connector等引擎中创建。强化学习算法（通常利用大语言模型-LLMs来生成多样化的训练场景和奖励函数）在其中探索数百万种步态策略。`OpenAI Gym`和`DeepMind Control Suite`环境已被扩展用于双足运动。这将数年的物理试错压缩为数月的云端计算。
关键参与者与案例研究
这次马拉松虽然由一家研究机构实现，但反映了更广泛的行业竞赛。领先者们正通过不同的技术哲学追求同一个目标：制造有用、耐用的机器人。
波士顿动力（现代汽车集团）： 动态移动性领域无可争议的领导者。Atlas的跑酷视频展示了无与伦比的敏捷性。其具备马拉松能力的耐力将源于其先进的液压系统和基于模型的控制，这是数十年打磨的成果。他们的策略是自上而下的：先实现极致性能，再降低成本和复杂度。
Agility Robotics： 俄勒冈州立大学的衍生公司，Cassie和Digit的创造者。他们专注于高效、受鸟类启发的双足行走，应用于物流领域。Digit是为工作而设计的。Agility的方法以高能效行走为核心；他们的机器人采用电驱动，专为仓库8小时工作制设计。他们正在建设一个名为“RoboFab”的大规模生产设施。
Figure AI： 资金雄厚的新入局者（估值超过26亿美元）。与宝马和OpenAI合作，Figure正押注于将强大的双足形态与大语言模型（LLM）能力进行全栈整合。