2025年6月24日至27日，全球两年一度的 AUTOMATIC 机器人与自动化展会再次在德国慕尼黑如期举办，吸引了来自全球超过 50 个国家的 1000 余家机器人及自动化企业参展。

2025年AUTOMATIC 机器人与自动化展会
作为机器人行业最具代表性的盛会之一，AUTOMATIC 已经不仅仅是传统工业自动化巨头的舞台，它也越来越成为新兴机器人技术、新物种、新生态的风向标。从 ABB、KUKA 等传统工业机器人巨头稳坐展会 C 位，到 Agile Robots、Neura Robotics 等新兴具身智能与人形机器人创业公司的大面积曝光，一个不可忽视的事实是：过去十年间，协作机器人不仅推动了产业应用从封闭走向开放，更奠定了具身智能快速发展的技术与生态基础。

Automatic 

期间体验Franka机器人力控主从操作

本文试图以 AUTOMATIC 展会为切口，从时间维度回顾 2015-2025 这十年间，协作机器人如何从一颗“种子”在争议与探索中生长为今天智能机器人领域不可或缺的支柱力量，并如何在此基础上孕育、催化出具身智能这一面向未来的跨学科新方向。

一、2015年之前：协作机器人处于观望与试探阶段，产业土壤初现

从全球机器人产业史来看，协作机器人（Collaborative Robot，简称 CoBot）的概念并非凭空诞生，而是工业自动化发展到一定阶段后的必然产物。

在传统的工业机器人应用场景中，安全围栏几乎是标配，工业机器人往往封闭在单独的作业单元里，高速高载完成焊接、搬运、装配等重复性任务。这种高效却封闭的生产形态虽然支撑了大规模生产线的高产出，例如我曾任职的ABB集团，在此期间，接到大量整车厂、汽车零部件、3C等行业订单；但是传统机器人但也带来了灵活性差、投资周期长、产线改造成本高等长期难题。

20 世纪 90 年代末到 21 世纪初，随着欧美制造业逐步向个性化、小批量、柔性化转型，中小企业（SME）对灵活、易用、安全的人机协作型机器人产生了真实需求。

始于欧洲的“SME”概念
尤其在德国、丹麦等以机械制造业闻名的欧洲国家，数百万家中小型工厂缺乏足够资金和空间部署大规模传统机器人，但又迫切希望借助自动化降低人工成本、提升生产稳定性。由此，灵活、安全、可以与人类在同一空间内协作的机器人开始在一些高校与科研院所中进行原型验证。

DLR（德国航空航天中心）是早期探索协作机器人的代表之一，DLR 在 1990 年代已针对人机协作提出了基于力反馈的交互臂，后续影响了多款后来的产品雏形。

尽管如此，彼时的技术水平、传感器性能和成本制约了协作机器人大规模落地的可能性。

DLR-德国航天中心

让协作机器人从实验室走向初创企业的，是 2009年以后以 UR（Universal Robots）为代表的一批创业团队。

UR 源自丹麦南丹麦大学机器人实验室，最初聚焦服务中小企业，强调“无护栏、人机同域、可快速部署”，切中了欧洲 SME 的核心痛点。与此同时，美国的 Rethink Robotics 则由 Rodney Brooks 牵头创办，提出“柔性自动化”理念，其标志性产品 Baxter 用“两个大眼睛”与人沟通，形象地展示了协作机器人的人性化愿景。虽然 Rethink 最终未能走到商业化的终点，但其在学术与产业层面的探索意义重大。

总的来说，2015 年之前，协作机器人处于“观望期”。大多数业内人士对此持谨慎态度，既不认为这是伪需求，也不敢贸然投入大规模产线替换。

但欧洲 SME 的需求与科研机构的技术积累，为后续爆发埋下了关键种子。

问题思考：协作机器人概念为什么首先来自于欧洲？

二、2015年协作机器人的争议：在不确定与拉锯中诞生 ISO/TS 15066

协作机器人从小众到主流的过程，并非一帆风顺。

在早期部署阶段，缺乏统一安全标准是制约其规模化落地的最大障碍之一。传统工业机器人需要物理隔离的护栏，保证高速度下不对人造成意外伤害。而协作机器人恰恰强调“去护栏化”，与人同域作业。如果没有强有力的技术支撑与安全规范，厂房主、保险公司乃至行业监管者都难以放行。

然而，现实比理论走得快得多。

2010 年后，轻量化协作机器人开始在一些零部件工厂、小型装配车间“试水”。在没有成熟安全标准指导的情况下，欧洲先行部署了近 3000 台协作机器人。一边是迫切的柔性生产需求，一边是法规的真空地带，协作机器人成为工业自动化领域一块“灰色地带”，引发了产业界、学界、保险公司以及工会组织的激烈讨论。

在此背景下，ISO/TS 15066 的制定提上日程。作为全球首个面向协作机器人的技术规范，该标准定义了“协作空间”“功率与力限制”等关键概念，指导制造商在设计时如何对碰撞力进行物理限制与监测，如何在硬件和控制层面实现安全人机交互。

2015年 ISO/TC 299第三工作组讨论机器人安全问题

这一规范从起草到发布经历了漫长且充满争议的博弈过程，期间 UR、KUKA、ABB、Rethink 等多家企业及研究机构均参与了意见征集与讨论。最终在 2015 年，ISO/TS 15066 作为技术规范（Technical Specification）正式发布，虽然并非强制性国际标准，但却成为协作机器人产品开发、验收与保险理赔的重要参考依据。

可以说，ISO/TS 15066 的出台不仅是产业界“妥协”的结果，更是推动协作机器人从“灰色地带”走向合规产业的重要里程碑。它为后续全球协作机器人行业爆发奠定了安全与信任的底层框架。

问题思考：2015年协作机器人在拉锯战中艰难形成一个初步规范，为什么当前人形机器人的安全问题无人提及？尤其几乎100%的人形机器人没有关节抱闸，停电即倒的情况下。

三、2015-2020：协作机器人的成熟期——多场景落地与规模化应用

2015 年 ISO/TS 15066 发布后，协作机器人迎来了从“示范性部署”走向“批量化生产与规模化应用”的关键五年。

回顾这段时期，全球协作机器人市场以每年 30%~40% 的复合增长率持续攀升，众多初创公司在资本与需求双轮驱动下相继涌现，推动协作机器人从实验室样机转向实际生产线的主力工具。

在应用层面，汽车行业无疑是最早吃螃蟹的产业之一。尤其在汽车零部件供应链中，拧紧、点焊、组装、检测等需要人机密切配合的柔性工位最先成为协作机器人施展拳脚的舞台。例如在德国、捷克、斯洛伐克等欧洲传统汽车制造强国，中小型 Tier-1、Tier-2 供应商纷纷部署 UR、KUKA LBR iiwa、ABB YuMi 等轻量协作臂，用以代替人工完成重复性操作，同时保留操作员进行质检和灵活切换工序的优势。

协作机器人规模化应用

医疗与康复领域同样是协作机器人拓展的重要新赛道。

2016 年至 2020 年间，协作机器人开始在骨科手术、康复理疗等高精度、高安全要求的场景中得到应用。相比传统大型医疗机器人，协作机器人凭借小巧灵活、力控精度高的特性，逐渐进入关节置换手术、骨穿刺导航、康复助力外骨骼等细分市场。例如，法国、瑞士、以色列等国的部分医疗设备公司基于协作臂开发了多款微创外科手术辅助平台，显著提升了术中灵活性和安全性。

医疗场景的应用

除了工业与医疗场景，生活服务场景也成为这一时期协作机器人探索“破圈”的试验田。

在欧美、日本等发达国家，机器人咖啡站、机器人调酒师、机器人餐厅等新物种陆续出现。虽然这类应用更多处于宣传示范与体验营销阶段，但在某种程度上也极大拉近了协作机器人与公众的距离，提升了大众对“人机共存”这一概念的接受度与好奇心。

技术层面，2015-2020 年间协作机器人的核心创新点体现在：

• 力控与阻抗控制算法更加成熟，机器臂对外界干扰的响应速度和稳定性显著提升；

• 拖动示教等人机交互功能逐步普及，普通操作员无需编程即可快速“示教”作业动作；

• 与视觉、力觉等外部传感器的集成度提高，形成柔性化、半自动化的工作单元。

这一阶段，协作机器人已经从“概念验证”进入“可用且可持续规模化”，为后续人形机器人与具身智能的技术跳跃打下了坚实的底座。

问题思考：协作机器人技术经过近10年沉淀，技术和市场愈发成熟，为什么在全球范围内分划严重，例如中国以外的市场一家独大，中国市场百花齐放？

四、2020-2025：协作机器人产业链反哺人形机器人，生态基础的累积

2020 年开始，协作机器人产业不仅自身持续发展，还间接带动了整个智能机器人生态链的成熟。

在产业端，随着核心零部件需求的快速增长，空心杯电机、谐波减速器、编码器等高精度部件企业迎来了技术攻坚与量产爬坡的窗口期。以日本、德国和中国为代表的零部件厂商相继推出更轻量化、更紧凑、性价比更高的新一代力矩电机及力控关节模组，直接支撑了人形机器人、双臂灵巧手、移动操作机器人等新品类的诞生。

人形机器人结构

在人形机器人赛道上，协作机器人公司积累的柔性驱动、力控、交互安全等关键技术被大量借鉴与移植。

典型代表 Agile Robots 和NEURA Robotics等，这些公司往往既有协作臂产品线，又在此基础上衍生出双臂操作、人形操作等新物种，形成“从桌面级到人形级”的产品矩阵。

Franka机器人、KUKA、ABB 等传统厂商也开始在自有平台上探索更具灵巧度的人形或移动协作方案。

然而，即便在智能化浪潮席卷全球的背景下，协作机器人在“智能化”路径上的推进依然受制于历史包袱：

许多老牌机器人企业擅长机械与电气，但在 AI 算法、数据驱动软件生态构建方面明显滞后。即便是拥有拖动示教、力觉感知等“智能化萌芽”能力，其本质依然依赖硬件传感与力控单元，缺乏大规模可迁移的学习能力和“即插即用”的人机交互体验。

这一矛盾为后续“具身智能”概念的兴起埋下了伏笔：如何突破传统“硬件为王”的框架，把 AI 与机器人深度耦合？

这正是 2020 年后创业者、研究者共同聚焦的新方向。

五、2020年后从人工智能到具身智能的转变

1. 人工智能与机器人为何长期“各自为政”

纵观机器人学与人工智能（AI）的发展史，两者虽然看似天然一体，却很长时间内并未真正深度融合。

传统工业机器人依赖于动力学模型、运动学求解器和精确的轨迹规划算法，本质上是一种“确定性自动化”。它们的核心能力是高重复性和高精度——在预设轨迹和已知环境中精准执行动作。

人工智能和机器人技术长期各自为政、鲜有交集

相反，AI 在 2010 年前后更多被视作纯软件范畴的突破。

深度学习的兴起首先改变的是图像识别、语音合成、自然语言处理（NLP）等感知与语义理解层面，却鲜少延伸到需要物理执行力的“物理智能”中。

在很多老牌机器人公司眼里，控制算法的精度远比语义理解重要得多，硬件传感器和力控技术才是安全与性能的核心保证。

因此，哪怕学术论文里早有“智能机器人”之说，实际落地更多仍是靠机械、电气和控制工程师一点点调参完成。

问题思考：从学科交叉角度思考，为什么人工智能技术和机器人技术长期无交集？

2. 自动驾驶与多模态 AI 为机器人打了样

真正撬动这一局面的，是自动驾驶的迅猛发展。

2010 年前后，Google Waymo、特斯拉等公司大规模投入传感器技术和感知算法，让激光雷达、毫米波雷达、RGB-D 摄像头在高动态场景中实现实时 SLAM（同步定位与地图构建），这一套“感知-决策-控制”闭环逐步成熟，给机器人学界带来了巨大启发。

人们逐渐意识到，单靠传统动力学推导不足以应对未知、动态、多样的真实环境。尤其是对于需要与人类共享工作空间的协作机器人、人形机器人，环境中的可变性和复杂性远高于封闭式工业产线。

自动驾驶VLA框架

这意味着机器人不仅要“看得到”，更要“听得懂”“学得会”“举一反三”。

因此，自动驾驶领域积累的多模态感知、深度学习模型以及仿真验证框架被快速迁移到机器人研究之中。

不少机器人初创团队的核心成员正是来自自动驾驶或计算机视觉方向。

3. 具身智能：感知、认知与行动的闭环

具身智能（Embodied Intelligence）是 AI 与机器人融合后诞生的关键概念。

“具身”意为“嵌入物理世界”，强调智能体并非停留在纯数字空间中，而是与现实世界通过传感、运动产生持续交互和反馈。

在学术上，具身智能汲取了认知科学、发育心理学和神经科学的跨学科思想。

核心观点认为，人类智能不是脱离身体单独演化的，而是与感官、动作密不可分：一个婴儿学会抓握、走路，靠的是反复的感知-试错-调整-记忆，远非单纯编程所能模拟。

这一思路被越来越多机器人实验室接受，逐渐催生了模仿学习（Imitation Learning）、深度强化学习（DRL）、自监督学习等新范式。

模仿学习（Imitation Learning）VS 深度强化学习（DRL）

相比传统基于动力学的控制，模仿学习让机器人通过人类演示来“看学”，强化学习则让机器人在仿真或真实环境中自主试错，不断优化策略。

自监督学习则进一步让机器人利用未标注数据进行自我纠正、自我生成标签，从而极大降低了依赖大规模标注数据的成本。

4. 技术突破：从传感器到大模型

具身智能之所以在 2020 年前后从概念转向实操，还得益于硬件与算法的双重突破。

在硬件层面，视觉传感器、力觉传感器、触觉阵列、IMU 等多模态传感器价格显著降低且分辨率大幅提升。

FRANKA Emika Panda 等 7 自由度力控协作臂，因其优异的力觉精度与灵活性，成为斯坦福、麻省理工、ETH 苏黎世等顶级实验室的标配验证平台。

在算法层面，VLM（Vision-Language Model，视觉-语言大模型）如 CLIP、SAM、GPT-4-Vision 等跨模态模型，为机器人带来了“看图说话”“目标分割”“语义理解”的能力。

机器人技术与具身人工智能的演进时间线
研究者可以直接用自然语言向机器人下达复杂任务指令，而机器人通过对视觉语义的统一理解，将抽象意图转译为可执行的操作序列。

5. 代表性项目与开源平台

在具身智能这一波浪潮中，多个开源框架和项目推动了社区的协同创新。

例如 Meta AI 和 FAIR 推出的 Habitat、OpenAI 的 Gym、DeepMind 的 DM Control 等仿真环境，让研究者能在低成本、高效率下训练机器人策略并验证可行性。

硬件层面，FRANKA Panda、Boston Dynamics 的 Spot、Agile Robots 的双臂平台 Figure 01 等，都在成为“标准化具身智能训练器”。

扩散策略框架
在一些前沿论文中，如 Google DeepMind 的 RT-2、OpenAI 的 RoboMamba，具身智能已从单机验证走向端到端多任务操作，探索用一套大模型驱动多种形态机器人执行复杂、跨场景任务。

6. 从科研到落地：产业仍在起跑线

尽管具身智能在学术界已成为热点，但其在商业化路径上仍处早期阶段。

如何让机器人在真实环境中长时间自主运行、持续学习，依旧面临数据采集、模型推理延迟、能源管理等难题。

许多创业公司正尝试通过“人机混合”或“远程示教+自学习”相结合的方式，积累高质量操作数据，并逐步训练可迁移的具身大模型。

随着自动驾驶、AI Cloud Infra、大模型推理硬件的成熟，未来 5~10 年，具身智能有望突破实验室边界，成为人形机器人、服务机器人和复杂协作场景中的标配能力。

从 2020 年起，一批以深度强化学习（DRL）、模仿学习（LfD）、多模态感知为核心的新型机器人操作方法开始出现，科研界和产业界均探索如何让机器人像人一样通过“看-感知-试错-学习”获得自主操作技能，而非单纯依赖程序员写死的动作序列。

具身智能体，FRANKA机器人成为首选

具身智能（Embodied Intelligence）正是在这一背景下快速成型：

A：早期阶段，研究者用相机、激光雷达等视觉传感器结合触觉、力觉、IMU 等多模态传感器，为机器人“感知世界”提供更全面的数据输入。

B：模仿学习和强化学习 逐渐替代纯动力学模型，成为机器人在动态、未知环境下实现自适应操作的主流方式。机器人可以像婴儿一样通过示教与试错不断优化动作策略。

C：从感知到计算机科学，具身智能的研究范式跳出传统机电一体化，更多引入计算机视觉、神经网络、语义理解等交叉学科的力量。新一代机器人创业者也多来自 AI、机器学习背景，而非传统的机械制造或电机控制领域。

D：FRANKA机器人则被公认为具身智能操作验证的理想平台，得益于其 7 自由度结构避免奇异点、各关节集成高精度力控与力觉感知，可完美兼容模仿学习、强化学习等前沿方法，成为斯坦福、麻省理工、ETH 等众多实验室具身智能研究的首选硬件。

六、未来：具身智能的路线与前景

具身智能的未来尚未定论，但其发展方向却愈发清晰：

硬件的极限正在逼近，机器人能力的指数级跃升必须依赖 AI、大模型与数据驱动的方法。

在传统的“机械臂 + 传感器”范式上叠加具身智能算法，机器人将不再只是“机械工具”，而是真正具备环境理解与灵活操作能力的“智能体”。

德国巴伐利亚州和慕尼黑工大建设未来旗舰项目“AI FACTORY”

从产业角度看，具身智能尚处于“技术验证 + 场景探索”阶段，但商业化落地已经初现端倪：

• 大模型公司（OpenAI、Google DeepMind 等）已开始与机器人公司深度合作，尝试将多模态语言模型能力与真实机器人执行相结合。

• 新一代创业公司（如 Figure AI、Agile Robots）围绕具身智能打造从算法到硬件的闭环产品，推动“可大规模复制”的智能操作员落地。

• 各国政府也在政策和资金层面加码支持，欧洲、北美、亚洲均已将具身智能列为机器人与 AI 结合的优先攻关方向。

具身智能从概念到产品，仍需时间与跨学科协作。正如 AUTOMATIC 2025 的展馆中所呈现的那样，协作机器人曾走过的不确定、争议与突围，正再次上演在具身智能这条新赛道上。

对所有机器人从业者与研究者而言，当下正是参与这场智能化浪潮的最好时机。

▍结语

回首 2015-2025 的这十年，协作机器人不仅用一场场从实验室到产线的落地验证了“柔性自动化”的可行性，更以自身的产业链积累、技术突破和全球用户基数，为具身智能的崛起提供了坚实的现实土壤。

未来 10 年，当具身智能从科研论文真正走向大规模应用时，我们或许会感谢这段协作机器人开疆拓土的历程。

AUTOMATIC 也许只是一场展会，但它映照出的，却是整个行业从机械时代走向智能时代的集体意志与步伐。

作者简介：包文涛，毕业于哈尔滨工业大学机器人研究所，机器人方向；2006-2015年间，在传统工业机器人巨头ABB任职，高级管理职位，工作于美国、加拿大等北美地区；2015-2020年，在协作机器人先驱Universal Robots工作，中国区负责人之一，从0到1推广了“协作机器人”概念。2021年至今-创业，集智联机器人/PNP机器人，创始人/CEO，聚焦即插即用（“PLUG&PLAY”）机器人技术和应用，同时负责Franka机器人等技术支持、市场、渠道等, 提供具身智能机器人方案。

具身智能和FRANKA机器人咨询

18018175378（微信同号）

www.pnprobotics.com

1. Robotic computing system and embodied AI evolution: an algorithm-hardware co-design perspective https://www.jos.ac.cn/en/article/doi/10.1088/1674-4926/25020034?viewType=HTML

2. Robotics in construction: A critical review of the reinforcement learning and imitation learning paradigms

https://www.sciencedirect.com/science/article/pii/S1474034622002452

3. Learning and Retrieval from Prior Data for Skill-based Imitation Learning Conference on Robot Learning (CoRL), 2022

4. Embodied Artificial Intelligence: Classification and Comparison of Mainstream VLA Solutions

5. Navigating the Future: The Convergence of AI and Robotics https://www.coop.co.za/navigating-the-future-the-convergence-of-ai-and-robotics/

6. Intelligent Automation: The Convergence of AI and Robotics Transforming Industries https://roboticsengineering.in/intelligent-automation/

7. New solutions for the industry of the future https://www.tum.de/en/news-and-events/all-news/press-releases/details/neue-loesungen-fuer-die-industrie-der-zukunft

8. Diffusion Policy Visuomotor Policy Learning via Action Diffusion. Robotics: Science and Systems (RSS) 2023

9. OpenVLA: An Open-Source Vision-Language-Action Model. https://openvla.github.io/

10. Foundations of Reinforcement Learning (Spring 2024) ETH

11. Learning Risk-Aware Quadrupedal Locomotion using Distributional Reinforcement Learning  https://arxiv.org/html/2309.14246v2

12. ISO/TS 15066:2016 Robots and robotic devices — Collaborative robots https://www.iso.org/standard/62996.html

13. https://www.franka.de

14. https://www.pnprobotics.com