ATEC2025线下赛：机器人全自主户外极限挑战，颠覆遥操传统

长期以来，机器人竞赛往往依赖于远程操控。如今，一场真正考验“自力更生”能力的赛事已然到来！

在上周末刚刚结束的ATEC2025线下挑战赛中，主办方不仅强调机器人需自主完成任务，更首次在完全禁止遥操作的条件下，将机器人从受控的实验室环境带到了充满变数的户外场地进行实战检验。

面对拱桥、山地、缓坡、吊桥、操场等多样地形，机器人必须依靠自身AI决策一次性闯关成功。

对于本次赛事的艰巨性，作为“出题方”的主办方信心十足，甚至在比赛开始前就提前预警：

这极有可能是一场失误频发的比赛！

然而，精彩的赛事从不缺少意外转折。

原以为会是主办方预料中的“翻车”现场，参赛队伍却各显神通，奇招迭出，成功破解难题。

经过为期两天的激烈角逐，最终排名揭晓：浙江大学Wongtsai队夺得冠军，上海交通大学IRMV队和北京理工大学CyberPrime队分别获得亚军和季军（均采用机器狗方案）。

△获奖队伍

更令人惊讶的是——夺冠的浙大团队在赛后透露，他们实际上准备了难度更高的应对方案。

那么，这究竟是一场怎样与众不同的机器人大赛？

赛前预警的“翻车”局面？选手用实力回应

此次第五届ATEC科技精英赛线下赛由香港中文大学牵头，ATEC前沿科技探索社区、北京大学、北京师范大学、蚂蚁集团共同承办，于12月6日至7日在港中文的岭南体育场及“小桥流水”生态区举行。

赛事专家评审团云集了刘云辉、谢立华、Masayoshi Tomizuka等国际机器人领域的知名学者。

线下赛共设有四大真实场景挑战：垃圾分拣、自主浇花、定向越野和吊桥穿越，全面覆盖从基础操控到复杂地形移动的能力考核：

垃圾分拣：机器人需从起点出发，识别散落的香蕉皮、透明塑料瓶和纸盒，并将其抓取、运送并投入对应颜色的垃圾桶。本任务旨在检验机器人的视觉感知、目标识别、移动抓取与多步骤任务规划能力。

自主浇花：需依次完成取水壶、接水、定位花篮、准确浇花及归还水壶等一系列动作，挑战机器人的空间定位精度、稳定抓取与精细操作能力。

定向越野：要求机器人自主规划并穿越拱桥、山地、陡峭楼梯等复杂户外路径，重点考察其全局路径规划、地形理解与长距离稳定行走性能。

吊桥穿越：机器人需通过三段间距不等的吊桥，并在第三段主动拉绳搭建桥板以通过中断处，此项任务检验机器人在不稳定路面行走的鲁棒性及其使用工具解决问题的能力。

总体赛制核心在于鼓励自主、限制干预：遥操作使用越少，自主完成度越高，则得分越高。

针对这一规则，各队在实际比赛中普遍采用了先以遥操确保基础得分，再凭借自主模块冲击高分的策略，并在具体任务中展现出临场应变能力。

例如，为应对吊桥木板间隙，许多队伍为机器人加装了“大脚板”或“雪橇式”附件，防止足部陷入。

上海交通大学的IRMV队伍更是另辟蹊径，直接略过拉绳搭桥步骤，指挥机器狗跳跃跨越了50厘米的间隙。

浇花任务中也呈现出“百花齐放”的景象：横握、倒抓、夹持、撑开……各种独特的“持壶手法”令人目不暇接。

在垃圾分拣环节，冠亚军队伍Wongtsai和IRMV展现了强大的技术实力，其机器狗完全依靠自主模块完成任务，稳稳拿下无遥操作的额外加分。

户外越野项目中，Wongtsai队继续领跑，成为首个全自主跑完全程的四足机器人队伍。

最终，Wongtsai队凭借其在全自主智能方面的卓越表现，赢得了15万美元的冠军大奖。

并非失败记录，而是具身智能进化的必经之路

除了选手们的精彩表现，作为全球首个聚焦实景极端环境的人工智能与机器人赛事，本次比赛也真实暴露了在实验室温床中难以察觉的诸多问题，主要集中于以下四个层面：

本体差异——人形与四足表现悬殊

若以本次比赛结果为参照：四足机器人（机器狗）在所有任务中的表现均显著优于双足人形机器人。

在人形机器人失误最多的定向越野项目中，赛事解说指出：人形机器人因重心高、支撑点少，在复杂地形中劣势明显，上坡、下陡梯、走碎石路都步履维艰。

而在浇花、垃圾分拣这类需要稳定抓取和精细操作的任务中，人形机器人同样力不从心——

其结构复杂、控制链路长，一旦定位或手部微调出现偏差，便难以实现有效抓取。即便有遥操作辅助，失败率依然居高不下。

相比之下，四足机器人则稳定得多，既能在浇花、分拣等任务中利用背部搭载的夹爪完成任务，又在户外越野和吊桥穿越中展现了压倒性的适应能力。

尤为值得关注的是，Wongtsai和CyberPrime的机器狗甚至实现了垃圾分拣任务的全流程自主化。

此外，并非所有队伍的“临时改装”都取得了预期效果。前述的“物理外挂”也引发了软硬件协同设计的问题。

例如，部分队伍为提升稳定性临时加宽了机器人的脚板，却导致其感知系统与步态控制失衡，反而更容易卡脚摔倒。

感知挑战——户外环境带来非线性难度激增

完全户外的赛场环境给机器人的感知系统带来了严峻考验：光照变化、风力影响、阴影交错等细微的环境扰动会不断累积形成误差，成为决定任务成败的关键变量。

在垃圾分拣任务中，室外反光及复杂背景导致透明的塑料瓶时常无法被准确识别。

在户外越野任务中，树林间斑驳陆离的光影变化极大地增加了机器人准确感知周边环境的难度。

甚至一阵微风引起的“风吹草动”，也可能改变目标物体的位置，进而影响可抓取姿态的估计，迫使机器人的环境交互能力（affordance估计）必须进行实时更新。

比赛中就出现了这样的场景：上一秒香蕉皮的位置信息还很准确，但当机器人准备抓取时，一阵风吹来导致香蕉皮移位，瞬间打乱了原有的感知与规划。

此外，相比室内，在信号可能较弱的野外，机器人更依赖于自身的IMU（惯性测量单元）、激光雷达与本地实时推理能力，这无疑使挑战难度再上一个台阶。

规划短板——能执行动作，却缺乏连贯任务推理

在任务规划层面，赛场暴露的一个普遍问题是：机器人即便能成功执行单个动作，也常常陷入“拿起香蕉后不知下一步该做什么”的窘境。

在吊桥任务中，尽管多数队伍能在遥控辅助下通过不连续的木板，但几乎没有队伍能在无辅助的情况下完成“拉下绳子、利用木板搭桥”这一系列关联操作，这凸显了当前机器人在多步骤逻辑推理与主动环境改造能力上的明显不足。

操作瓶颈——上半身与下半身控制脱节

本次比赛与长程移动同等重要的，是对移动操作一体化（loco-manipulation）能力的考验。

这要求机器人在移动过程中同步完成精准定位与姿态调整，以实现抓取等精细操作。

比赛中常见的失败模式包括：

机器人无法精确停靠至抓取位置，导致执行器无法触及目标；在抓取或搬运过程中因力控或稳定性失衡（如抓取位姿不当导致物体脱落），而无法继续后续步骤。

赛后采访获悉，多数队伍采用的仍是上半身操作与下半身移动相解耦的系统架构。

换言之，机器人缺乏一套统一的、能协调全身运动与操作的控制框架。

这导致赛场上出现一个典型现象：下半身可以自主行走，但机械臂与夹爪的关键操作仍需依赖人工遥控完成。

这一现象并非偶然。

当前许多前沿的视觉-语言-动作模型主要专注于提升上半身的操作能力——解决“手如何感知与执行”的问题，但对“移动”与“操作”端到端深度融合的支持仍然有限。

从这个视角看，未来真正值得期待的突破，或许将来自于能够统一移动与操作、实现全身自主协同控制的端到端机器人模型。

这很可能成为下一代具身智能演进的关键方向，也将决定机器人能否真正胜任复杂多变的真实世界任务。

真实世界，方为终极试金石

总而言之，这场比赛不仅是一块检验机器人真实能力的试炼场，也像是一张为未来机器人测评体系勾勒的初步蓝图。

现有的具身智能评测基准，无论是偏重仿真的ManiSkill，还是侧重室内流程的RoboChallenge，更像是切片式的能力评估，难以展现机器人的综合实力。

而像ATEC这样的真实世界极限挑战，则为行业提供了另一种可能性：它更贴近机器人最终的应用场景，也更有机会推动业界重新审视“何为机器人能力”以及“如何有效衡量这些能力”这两个根本性问题。

或许数年之后回望，这场赛事的意义将不止于谁成功穿越了拱桥或谁在陡坡上跌倒，而在于它让整个行业清晰地看到：机器人距离“融入现实世界”究竟还有多远，以及接下来应该在哪些方向上重点补课。

正如赛事专家委员会主席、香港工程院院士刘云辉教授所言：

我们希望通过设置极限挑战，推动机器人技术从演示可行，迈向应用可靠。

作为赛事发起方之一，蚂蚁集团技术战略部负责人表示，蚂蚁集团长期支持ATEC赛事，源于一个核心信念：

AGI技术发展的未来，是实现机器智能与物理世界的深度融合，让机器人能够应对真实世界的各种扰动。因此，ATEC设计的每一道赛题，初衷都不是为了让机器人“表演得完美”，而是为了让其在碰撞中暴露真正的弱点。因为如果问题不是真实的，就无法牵引出真实的技术进步。唯有“真问题”，才能指引行业明确下一步的突破方向。

换言之，那些在实验室里永远不会遭遇的强烈光照、不定向气流、动态遮挡、意外踩空与失衡翻车，恰恰是机器人迈向实用、可靠所必须跨越的真正门槛。