技术深度解析
马拉松距离的成就代表了系统工程在三个关键领域的胜利：机械耐久性、能源管理和自适应控制。与在可预测环境中运行的工业机器人不同，双足人形机器人必须在变化的地形上保持动态平衡，同时管理长时间的能量消耗。
驱动器与结构工程： 现代耐力型人形机器人采用混合驱动系统，将高扭矩电机与柔性元件（串联弹性驱动器或液压系统）结合以吸收冲击力。Boston Dynamics的Atlas虽非专为马拉松设计，但其采用定制泵和蓄能器的液压方案展示了实现爆发性运动的能力。针对耐力应用，Agility Robotics（Digit）和Figure AI等公司已转向采用谐波传动和扭矩传感器的全电驱动设计，以牺牲部分峰值功率换取效率和可靠性。关键创新在于热管理——驱动器必须持续散热而性能不衰减。碳纤维复合材料等先进材料在保持结构刚性的同时减轻了质量，直接延长了运行时间。
能源系统： 能量密度挑战是根本性的。人类马拉松跑者大约代谢2600-3000卡路里（约合3.5千瓦时化学能）。当前人形机器人使用的锂离子电池组可提供1-3千瓦时能量，但重量代价显著（15-30公斤）。实现马拉松距离的突破涉及动态电源管理算法，该算法能根据地势和剩余能量实时优化步态效率。俄勒冈州立大学动态机器人实验室的研究人员已证明，与传统基于模型的控制器相比，采用强化学习方法可将运输成本降低15-25%。
控制架构： 核心创新在于分层模型预测控制（MPC）与基于学习的自适应相融合。高层规划器生成未来10-20步内的最优足部落点与身体轨迹，而低层全身控制器以1千赫兹频率执行扭矩指令。系统持续估计地形属性并调整阻抗参数。诸如Stanford的Doggo（GitHub: stanfordroboticsclub/StanfordQuadruped）和MIT的Mini Cheetah等开源项目，为测试耐力算法提供了易用的平台，其近期分支正专注于能量感知运动。
| 耐力指标 | 人类平均水平 | 先前机器人纪录（2022年） | 本次演示 |
|----------------------|-----------------------|------------------------------|---------------------|
| 持续运行时间 | 4-5小时（马拉松） | 45分钟（Cassie，OSU） | 4.2小时 |
| 能耗 | ~3.5千瓦时（代谢能） | 1.2千瓦时（每小时） | 0.8千瓦时（每小时） |
| 单次充电行驶距离 | 26.2英里 | 3.1英里 | 26.2+英里 |
| 地形适应能力 | 高（认知性） | 中（预建地图） | 高（实时感知） |
数据启示： 数据显示机器人首次在耐力指标上与人类持平，但实现方式根本不同——凭借更优的机械效率（同等距离下0.8 vs 3.5千瓦时），但需要人类下意识即可处理的复杂实时计算。
关键参与者与案例研究
Boston Dynamics 凭借其液压驱动的Atlas平台，仍是动态移动性的标杆。虽然未针对耐力优化，但Atlas的跑酷演示展示了应对复杂地形所需的高扭矩能力。该公司将战略重心转向Spot和Stretch的商业应用，预示着未来人形机器人将优先考虑实用价值而非纯粹的运动能力。
Agility Robotics 则为其Digit平台采取了不同路径，该平台专为物流工作设计。Digit类鸟的腿部结构和轻量级上身优先考虑能效，而非完全仿人。该公司与亚马逊在仓库测试方面的合作，代表了最直接的商业化路径，其中耐力直接转化为经济价值。
Figure AI 凭借巨额融资（2024年6.75亿美元B轮）和专注于通用制造业人形机器人而崭露头角。其Figure 01机器人展示了AI推理与物理行动的集成，尽管耐力目前仍次于操控能力。该公司与宝马在汽车工厂部署测试的合作，正在验证现实世界的耐久性需求。
学术研究： 俄勒冈州立大学团队（其Cassie机器人于2022年完成5公里跑）率先将强化学习应用于高效双足运动。他们利用领域随机化进行Sim-to-Real迁移的工作已成为标准实践。同时，德克萨斯大学的人体工程学实验室正在探索神经形态计算在降低实时控制能耗方面的潜力。