小米在 2026 世界机器人大会上首发 66 自由度人形机器人

小米全新推出的 66 自由度人形机器人带来了哪些亮点？在 2026 世界机器人大会（WRC 2026）上，该公司公开展示了专注于提升手部灵活性与工业任务执行能力的新一代双足原型机，而小米更广泛的机器人研究也正日益聚焦于 VLA（视觉-语言-动作）与具身基础模型。随着具身人工智能改变着数字智能与物理世界的交互方式，开发者必须评估标准软件栈如何适应具身环境。传统的工业机器人通常依赖高度结构化的环境、特定任务编程以及基于模型的控制。如今，由于先进系统将多模态感知直接集成到实时控制回路中，工程重心正转向具有通用性的视觉-语言-动作（VLA）基础模型。

为什么 33 个手部自由度对工业操作至关重要

核心要点

• 新一代双足原型机身高约 1.70 米，重 66 公斤，其关节活动度扩展至 66 个自由度。
• 高度重视精细操作，其中 33 个自由度集中在双手，能够灵巧地处理柔性及非标准工业零部件。
• 早期工厂测试的生产节拍约为 76 秒；经过四个月的迭代，小米报告称自攻螺母工位的成功率从 90.2% 提升至 98%。

具身智能的兴起将软件问题从基于屏幕的交互转移到了感知、规划和物理执行上。开发者不再只是渲染视觉资产和管理扁平界面，而是开始设计能够理解三维空间环境并协调高精度双臂轨迹的系统。

小米的工厂测试表明，在进行大规模部署之前，该公司正优先推进可重复的制造任务。在公开展示之前，该双足系统在小米电动车总装线上完成了为期四个月的严苛“实习”，执行了自攻螺母安装和料箱搬运等任务。早期的测试要求机器人在大约 76 秒的工作站节拍内运行。经过四个月的迭代，小米报告称，自攻螺母安装工位的成功率从 90.2% 提升到了 98%。这一转变表明，人形机器人正从基础的行走展示走向复杂物理环境中可重复的高灵活性作业。

解析小米人形机器人生态的技术架构

在底层技术上，与 2022 年的 CyberOne 原型机相比，新一代平台在机械设计和人工智能集成方面实现了质的飞跃。初代 CyberOne 仅具备 21 个关节自由度，而新模型将这一数字提升至 66 个关节自由度。这种机械结构的扩展主要集中在双手，共分配了 33 个手部自由度，从而实现精细运动控制、精确抓取物体以及精密的工具操作。

此外，小米机器人团队在其统一框架下发布了多款具身智能模型和研究项目。这些开源项目包括实时执行模型 Xiaomi-Robotics-0、利用超过 10 万小时真实世界轨迹的大规模模型 Xiaomi-Robotics-1，以及 38B 统一自回归模型 Xiaomi-Robotics-U0。这些项目共同涵盖了机器人动作生成、基础策略以及具身世界建模。不过，公开资料并未证实 WRC 原型机在其生产控制栈中运行了其中的具体某一模型。

一个简化 VLA 概念控制流程可以表示为：

[Visual / Language Input]
           │
           ▼
[Embodied Policy or VLA Model]
           │
           ▼
[Robot Action / Motion Command]
           │
           ▼
[Embodiment-Specific Controller]

这些研究方向展示了从特定任务策略向具身模型的更广泛转变，旨在跨任务和机器人配置迁移知识。通过开发将视觉和语言输入转化为机器人动作或任务级控制信号的模型，开发者能够探索适用于更广泛任务和形态的通用软件。软件栈必须将多模态传感器输入与特定形态的状态估计、运动规划以及底层控制协调起来。

传统机器人控制与 VLA 基础模型的对比

随着机器人开发的物理需求超越简单的导航，开发者必须选择如何构建其机器人控制层。使用传统数学模型构建自定义控制循环可提供高精度，但缺乏对非标准环境的适应能力。相反，大规模学习策略通常需要大量训练数据，但在训练覆盖率和形态对齐充足时，能够提供更广泛的适应性。随着任务可变性和物体多样性的增加，纯粹预编程的控制将变得更难扩展。

架构评估：传统运动学与生成式 VLA

基于模型的控制可以提供精确且可预测的行为，但要将其调整到高度多变的环境中，通常需要额外的感知、规划和特定任务工程。这种方法能够在定义明确的操作约束内提供可预测的行为。开发定制的内部运动学控制器需要投入大量工程资源来实时映射关节约束并求解逆运动学方程。相反，部署预训练的视觉-语言-动作（VLA）基础模型可以提供更高的适应性（具体取决于训练覆盖率和形态对齐情况），但代价是需要更高的本地计算资源。

下表对比了管理机器人控制和任务执行的标准方法：

这些架构决策直接影响机器人在生产线上的物理能力。通过采用统一的基础模型，机器人系统可以从执行单一、孤立的动作过渡到在动态工作空间中执行多阶段的协作任务。工程团队必须根据自身的硬件能力、任务复杂度和实时执行约束来评估这些软件范式。

集成检查清单：工程团队如何为具身软件开发做好准备

为了确保人形平台向工业环境过渡时的运行稳定性和安全执行，工程与产品团队应当建立安全、验证和部署工作流程。

开发者实现检查清单

• 定义受安全约束的控制边界：将关节、速度、力和工作空间限制保留在学习策略之外，以便在执行前拦截不安全的动作。
• 在仿真和受控硬件测试中验证策略：在投入生产部署前，在仿真和分阶段的真实机器人环境中评估学习到的行为。
• 测量端到端控制延迟：分别对感知、模型推理、运动规划和底层控制进行性能剖析，以找出性能瓶颈。
• 测试分布外行为：评估不熟悉的物体、光照条件、布局和任务变化，而不是仅依赖训练分布基准。
• 设计回退控制模式：当学习到的策略产生低置信度或无效动作时，提供确定性的恢复或安全停止行为。

产品与策略检查清单

• 明确高价值工业工位: 识别最适合机器人集成的重复性、高精度装配工位。
• 建立任务验证管道：利用多摄像头监控系统实时评估机器人的任务成功率。
• 构建跨形态软件接口：确保机器人操作系统能够与周边的工厂自动化网络进行通信。

通过建立这些结构化的指导方针，开发团队能够将其应用迁移到更安全、更合规的架构中，同时保持运营的连续性。

工程团队的核心要点

小米的 66 自由度人形原型机展示了工业人形机器人的开发如何从单纯的运动展示向可重复的操作任务转变。凭借集中在手部的 33 个自由度以及涵盖螺母安装、柔性零部件处理和物料管理的工厂实测，灵活性和任务可靠性正成为核心的工程指标。

对于开发者而言，小米更广泛的机器人研究也说明了 VLA 策略和具身世界模型在传统控制系统之外日益增长的作用。当前的实际挑战并非彻底取代确定性控制，而是在将机器人部署到生产环境之前，将学习策略与仿真、安全约束、延迟剖析、回退行为以及特定形态的控制器有机结合。

参考资料

1. Xiaomi Robot set to make public debut at 2026 World Robot Conference on August 19. https://www.gizmochina.com/2026/08/18/xiaomi-robot-set-to-make-public-debut-at-2026-world-robot-conference-on-august-19/

2. Xiaomi-Robotics-0: An Open-Sourced Vision-Language-Action Model with Real-Time Execution. https://arxiv.org/abs/2602.12684

3. Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories. https://arxiv.org/abs/2607.15330

4. Xiaomi-Robotics-U0: Unified Embodied Synthesis with World Foundation Model. https://arxiv.org/abs/2607.11643

5. Xiaomi updates progress on humanoid robots in auto factory, achieves 98% success rate in some tasks. https://technode.com/2026/07/15/xiaomi-updates-progress-on-humanoid-robots-in-auto-factory-achieves-98-success-rate-in-some-tasks/