“ 4小时19分52秒，一块电池。

机器狗跑完一场全程马拉松，中途没换电池、没充电。

成绩是4小时19分52秒，42.195公里，平均速度2.64米/秒。

完成这件事的是KAIST（韩国科学技术院）机器人与人工智能实验室打造的四足机器人RAIBO2，相关研究近日登上Nature。

最关键的数字不是完赛时间，而是它的总运输成本（TCOT）只有0.25——比人类的0.37更低。也就是说，按单位体重、单位距离消耗的能量算，这只机器狗跑起来比人更省。

整场比赛它一共消耗了1280Wh电量，占自身1930Wh电池容量的66%。按这个数据推算，RAIBO2满电状态下的理论续航是65公里，相当于现有四足机器人每Wh电量所跑距离的三倍以上。

四足机器人为什么费电，这是个老问题。

轮式机器人可以靠滚动前进，而腿式机器人必须持续在关节处输出力矩来支撑体重，每一步落地时脚与地面的撞击还会白白损耗动能。更麻烦的是，这些损耗之间存在互相矛盾的权衡关系。

一个典型例子：想降低电机的电气损耗，可以提高减速比或者抬高机身高度，但这两种做法都会增大足端的等效惯量，落地撞击损失反而变大；反过来也一样。

所以研究团队没有直接上手改硬件，而是先做了一件更基础的事——把整机的损耗结构完整测量并拆解出来。

在3米/秒、COT最低的工况下，整机总损耗为299.7W。其中执行器电气损耗占67.7%，机械损耗占22.7%，系统损耗占9.6%。

继续往下拆：电机铜损一项就吃掉了40.2%，是最大的单项损耗；关节摩擦损耗13.4%，驱动器开关损耗13.3%，驱动器系统损耗8.0%，驱动器导通损耗5.8%，足端碰撞损耗6.4%，滑移损耗2.9%，铁损仅0.3%。

这张损耗地图，直接决定了后面每一处改动改在哪里。

机械部分的思路是力透明（force-transparent）加轻量化。

RAIBO2用四条相同的腿、每条腿三个相同的执行器，构成模块化结构。膝关节采用四连杆传动，执行器减速器只用单级行星齿轮，减速比7.15:1——级数越少，齿面相对滑动带来的摩擦损耗越低。

单条腿机构（不含执行器）重1.1公斤，全部腿部机构只占整机重量的10.2%。

电机选型上团队也做了一次细致的取舍。他们对比了三款高电机常数的无框电机，最终选择ILM115×25：虽然ILM115×50的电机常数更高（1.47 vs 0.87），但它的转子惯量几乎是前者的两倍，在4米/秒的高速下COT反而更差。转子惯量经减速比平方放大后，对高速损耗的影响是决定性的。

电气部分，团队盯上的是长期被系统级能耗分析忽略的一块——电机驱动板。

导通损耗上，PCB所有层都用2oz（约0.07mm）厚铜，等效电阻降低约1.8mΩ；MOSFET从7mΩ的型号换成2mΩ的型号，等效电阻直降约33mΩ；电流采样改用霍尔传感器，导通电阻仅1.5mΩ，同时避免了低阻分流电阻方案对运放高倍放大、易放大地噪声的问题。

开关损耗上，由于采用高压运行，导通损耗和开关损耗之间形成明显权衡——低电阻的MOSFET栅极电荷更大，在80V下总损耗反而更高。团队的解法是优化布线降低寄生电感，把栅极电阻从官方评估板的180Ω压到10Ω，同时把开关频率从20kHz降到15kHz，在效率与控制性能之间取平衡。

软件这边，控制策略采用GRU加MLP的网络结构，只依赖本体感知信息，以100Hz运行，底层电机控制在15kHz，状态估计用接触辅助不变扩展卡尔曼滤波以1kHz运行。

值得注意的是奖励函数的设计方式。团队没有简单地给"总能耗"加一个负奖励，而是把能耗相关奖励拆成若干项，分别对准具体的损耗来源：降低触地前足端速度以减少碰撞损失、抑制接触中的速度以减少滑移、以及一个考虑磁饱和的焦耳损耗项。

磁饱和这一项很关键。电机超过额定力矩后进入饱和区，电流增加带来的力矩收益递减，此时电流需求近似与力矩平方成正比。加入该奖励项后，策略会主动回避高力矩区间——实测在3米/秒运动时，84.1%的工作点落在额定力矩以内。

碰撞损耗方面，由于精确预测触地时刻很难，团队把接触信息放进价值网络的观测中，让策略学会提前减速。

还有一个反直觉的结果：抬高机身虽然会降低可操作度、增大足端等效惯量，但基于电气刚度的关节控制配合强化学习策略，在腿伸展至86%的高度下，电气损耗持续下降，而机械损耗几乎没变。原因在于，不同于只能在单个腿模块内储放能量的机械弹簧，共用电池允许能量在四条腿之间灵活再分配——实测中同步的右前腿呈现更强的发电行为，左后腿则更多处于电动状态。

最终在3米/秒时，整机COT降到0.237的最低点。

验证选在第22届尚州柿饼马拉松，这是韩国公认难度较高的赛道之一：总爬升286米，最大坡度18.4°，路面以柏油为主，还有被落叶覆盖的湿滑路段。赛道为折返路线。

全程数据被完整记录：电池电压从67.2V降到57.6V（截止电压48V），累计能耗1280Wh，对应平均TCOT为0.248，与跑步机实验结果吻合。

有爬升却仍然省电，一个原因是下坡时的能量回收。在3米/秒下对平地、7°上坡、7°下坡的损耗分析显示，上坡额外增加100.5W，下坡则回收107.5W，上下坡基本相互抵消。

当然限制也存在：目前用的是盲视控制器，针对常规地形优化，楼梯、山地等特殊环境的损耗模型不同，需要进一步发展环境感知的高效运动策略；此外当前实验基于人工操控，自主导航还需要能基于全局地图规划能量最优路径的规划器。