Unix AI 发布第三代黑豹机器人：全栈自研与真实场景落地能力解析

这一设计让其拥有了远超传统机器人的机动灵活性，不是只'走得到'，而是走得顺、对得准、停得稳。

2）'自地向上'，适配不同高度任务

能爬高和触地：80cm 升降 + 触地作业，更大运动空间，覆盖更多任务高度。

此前的人形机器人往往存在作业高度受限的问题，低位取放、地面拾取等动作难以完成，而'能做一次动作'和'能把任务链跑通'，往往差的就是这份可达空间与姿态余量。

Panther 这次支持了 80cm 上半身升降并支持触地作业，意味着机器人可以更自然地覆盖：

• 轻松完成地面拾取、低位取放等此前难以实现的动作；
• 也能自如进行货架多层位操作；
• 更能连贯完成门把手开启、桌面操作、挂钩取放等不同高度的连续任务。

无论是在零售门店进行货品整理、在厨房完成食材取放，还是在办公场景中进行工位物料配送，Panther 都能凭借更广阔的作业空间，实现完整任务链的执行，不再因高度限制而中断作业，大幅提升了任务完成的连续性。

3）动力拉满后的爆发，高速动作也能'游刃有余'

Panther 的更高输出与更稳高速控制：48V 平台带来爆发与裕度。

实际应用中，人形机器人有时需要完成高速挥杆、快速击打、节拍演奏等爆发性动作。这类动作的核心要求并非单纯的'速度提升'，而是在速度上去的同时，保持姿态的稳定，避免因输出不足或控制精度不够导致动作变形、作业失败。

这次 Panther 升级的 48V 平台提供更强瞬态输出与控制裕度，让高速动作的稳定性更可控⸺这是视频里'爆发力片段'能成立的关键硬件基础。

相比上一代产品，整机输出更为充沛，让机器人在完成爆发性高速动作时，依然能保持精准的姿态控制，让高速动作的稳定性处于可控状态。看一下

Panther 打高尔夫的难度其实很大。

高尔夫挥杆是典型的复杂动力学问题，不仅要求挥杆轨迹的高度稳定、击球瞬间的力矩输出精准，更需要机器人的身体与双臂实现高度的协调配合，任何一个部位的动作偏差，都会导致挥杆与击球的失败。

Panther 在这一场景中，展现了精准力控与双臂闭链控制的整机动力学协同能力，同时依托重心与姿态进行实时动态补偿，抵消高速动作带来的姿态偏移，保障挥杆的稳定性。

这不仅是运动控制，更是整机动力学协同能力的体现。

4）一双灵活的上肢，才能执行更自然的动作

机械臂是人形机器人执行抓取、操作等动作的核心部件，其自由度直接决定了操作的可达性、灵活性和避障能力。Panther 搭载了量产级 8 自由度仿生机械臂与自适应智能夹爪，从而带来了更丰富的可达性与姿态自由度：

• 机器人的上肢动作更舒展，轨迹更自然；
• 在抓取不同位置、不同形态的物体时，拥有更多的可行解，让动作规划更容易成功；
• 在狭小空间中，8DoF 双臂也能实现更精准的避障与对齐，避免因机械臂自由度不足而无法调整姿态，导致抓取失败。

这一升级不仅提升了 Panther 的动作表现力，更直接转化为真实任务的成功率与稳定性提升，无论是精密的刺绣操作，还是日常的物品夹取，自适应智能夹爪搭配 8DoF 双臂，都能让操作更精准、更柔顺，适配不同形态、不同材质的物体抓取需求。

（四）真实场景下的极限实力

不仅仅是高尔夫，黑豹在多个真实场景下均表现极佳。无论是做饭还是倒酒，甚至是刺绣，都极为专业和稳定。

1）简单的一顿饭，很考验'多级协同'的能力

厨房是典型的长流程、多工序、多人协作的复杂环境，绝非单一动作的操作场景。

这对机器人的任务规划、多机协同、空间调度能力提出了极高要求。

Panther 在这一场景中实现的核心突破，在于真正具备了任务级编排与多机生产协同能力。一台负责切配与翻炒的核心烹饪工序，另一台同步完成取盘、递送与餐后清理，形成完整的烹饪任务链。

Unix AI 依托长程推理规划架构：

• 机器人能将'做一道菜'的整体任务拆解为多个子任务，并根据作业进度动态分配给不同机器人，实现任务的并行执行；
• 同时系统可完成共享空间建模，实时计算多台机器人的机械臂轨迹，精准规避轨迹交叉与干涉问题；
• 更能实现节奏同步控制，让翻炒完成的动作与装盘动作精准衔接，无停顿、无延迟。

这一系列能力，标志着 Panther 不再是只能执行单一指令的'机械手臂'，而是开始具备'生产协同能力'。

2）倒酒这件事，需要毫秒级的判断

倒酒看似是简单的日常动作，却是机器人控制领域的典型难题。其核心难点在于液体的非刚体特性——液体流动状态实时变化，液面上升存在明显的惯性与延迟，'满而不溢'的本质是一个预测问题，而非看到液面满后再停止的反馈问题。

优理奇第三代系统为 Panther 赋予了液体预测控制与毫秒级判断能力，彻底解决了这一难题：

• 基于高频视觉刷新技术，机器人能实时精准识别液面高度变化；
• 结合内置的流速模型，对液面上升趋势进行精准预测；
• 在液面接近临界高度前提前减速，从源头上避免液体溢出。

这一能力的核心背后，不再是被动接收视觉信息后做出动作响应，而是能主动根据视觉做出预测判断，这其实也是世界模型的能力。

3）掼蛋场景也能搞定，精细长时序力控

掼蛋场景挑战，不在规则，而在物理特性：牌体极薄且摩擦系数低，极易出现粘连、弯曲问题，同时发牌、整理、出牌的全过程要求长序列动作的稳定执行。

Panther 在这一场景中，验证了超薄物体操作与长序列任务稳定执行的系统级能力：

• 精细的指端力控，精准控制抓取力度避免牌体弯曲；
• 薄片分离算法，解决了扑克牌的粘连问题，实现单张分离的高精度操作；
• 更凭借硬件平台的高稳定性与智能架构的闭环控制，保障了连续发牌、整理、出牌等长序列动作的无中断执行。

这是对 Panther'微操作稳定性'的极致考验，也证明了 Panther 在处理轻薄、易损、易粘连等特殊物理特性物体时，具备了更成熟的操作能力。

4）刺绣场景下的'毫米级'定位

刺绣是对机器人轨迹控制与重复精度的极端测试，柔性布料的随时形变、毫米级的针脚位置要求、极高的轨迹连续性需求，让刚性的机械系统很难实现精准操作，而这正是 Panther 展现精密控制能力的核心场景。其技术突破体现在三大方面：

• 通过高精度视觉识别技术，实时捕捉布料形变并对针位进行动态校正，抵消柔性材料的形变误差；
• 将机械臂的轨迹误差严格控制在毫米级，保障每一个针脚的位置精准；
• 通过稳定的张力控制技术，在刺绣过程中保持布料的平整，从源头避免材料变形。

这一场景的背后，是 Panther 实现了'刚性机械系统'对'柔性世界'的精准驾驭，将硬件的精密控制与多模态感知的动态校正能力完美结合，让机器人在超高精度的工艺制作场景中，具备了落地应用的潜力。

5）迎宾待客，从'执行命令'到'理解行为'

机器人的意图识别至关重要，这也是从'命令执行'到'行为理解'的非结构化交互。

迎宾时的递包、拿挎包动作，并非简单的抓取与放置操作，真实场景中用户的姿态不固定、衣物的形态随机变化、人机距离的持续动态调整，都让这一动作充满了非结构化的不确定性，传统机器人仅依靠预设指令根本无法完成。

Panther 在这一场景中实现了非结构化交互与人机意图识别能力的核心突破：

• 通过人体姿态识别技术，精准判断用户的递取意图，而非单纯接收固定的操作命令；
• 根据衣物的实时形态与人机距离的变化，动态更新抓取点，适配不同的衣物状态；
• 依托柔顺控制技术，在抓取与递送过程中精准控制力度，避免拉扯损坏衣物。

这一能力标志着 Panther 从'被动执行命令'的机械工具，开始走向'主动理解人类行为'的智能交互设备，为人形机器人在服务场景的落地奠定了人机交互的核心基础。

（五）一套组合拳，让机器人学得快、做得稳、跑得通

硬件跟上了，智能架构才好提升落地效率。

在 Panther 的真实场景展示中，几大亮点非常突出：多机协作、长程任务、精密操作、高速控制。

表面上是能力展示，而能力的背后，并非针对不同场景的定制化开发，也不是简单的'场景堆砌'，而是团队自研的同一套智能架构在不同任务形态下的灵活复用。

1）别让数据成为'那堵墙'，提升泛化不止'加量'一条路

真机数据依然是香饽饽，但成本也让很多公司'退避三舍'，尤其是家居的日常场景操作数据极度匮乏。UniX AI 提出了一套很巧的算法系统，通过解耦感知与操作模型，让机器人可以用极少量示教完成复杂任务的高效学习。同时结合预训练多模态感知模型，提升物体与场景操作的抗干扰泛化能力，在泛化场景操作中已初步展现涌现能力。

这套系统即是 UniFlex，一个可泛化的模仿学习框架。

UniFlex 一定程度解决了人形机器人操作数据极度匮乏的行业痛点，让机器人能快速学习并适配不同任务。这意味着在实际应用中，Panther 能快速适配零售、餐饮、办公等不同行业的不同任务，无需进行长时间的定制化训练，大幅提升了其商业化落地的效率。

其在泛化场景操作中展现出的涌现能力，也让其拥有了持续学习、不断进化的可能。

2）切身感受'薯片的脆弱'，视觉和触觉的真正'融合'

不止是这套模仿学习框架，UniX AI 还提出了一套融合视觉和触觉的统一感知框架：UniTouch，这也是这位 00 后 CEO 擅长的领域。

在真实场景的操作中，仅依靠视觉感知往往难以完成精细操作，尤其是夹取软物、脆弱物体时，视觉无法精准判断接触力度，极易出现夹取过紧损坏物体、夹取过松导致物体掉落的问题。

UniTouch 通过'视觉生成触觉'的方式补足精细操作所需的信息，使夹取软物、脆弱物体等任务更稳定、更可控，让'精细''柔顺''不过力'成为可工程化的能力。

这套框架的基础，恰好也是 Unix AI 的 CEO 杨丰瑜在耶鲁攻读博士期间的工作。

这让 Panther 既能完成刺绣这样超高精度的精密操作，也能轻松夹取水果、布料等软质、脆弱物体，大幅拓展了其操作的适用范围，让其在更多精细化作业场景中具备了落地能力。

3）'手无足措'是因为机器人缺乏'思考'能力

UniFlex 和 UniTouch 能让 Panther 具备一定的落地能力，但面对复杂的家居场景，还不足以完全胜任。

长程任务是所有具身机器人的终极问卷。

而在这个问题上，UniX AI 交出的答卷叫做 UniCortex：'面向复杂场景与多智能体协作，负责长程任务拆解、条件等待、事件同步、技能调用与闭环复位'。

真实场景中的任务往往并非单一动作，而是由多个连续动作构成的完整任务链，部分场景还需要多台机器人协同完成，这就要求机器人具备长程推理规划和多智能体协作的能力。

正如在上述视频中看到的，两台 Panther 协作做饭、和家人一起打牌。

UniCortex 将一个复杂的长程任务，拆解为多个机器人可执行的单一动作，并合理规划动作的执行顺序、时间节点，同时能根据场景变化进行动态调整，若某个动作出现偏差，还能通过闭环复位进行修正，确保任务链的持续执行。

看起来是'机器人会思考'，本质是任务链条的时序、依赖与约束被系统化管理，最终体现为：任务跑得通、跑得顺、跑得稳定。

正是 UniFlex、UniTouch、UniCortex 三大模块构成的'三位一体'智能架构，让 Panther 拥有了完整的智能能力闭环。

而这套架构的通用性，使其能在不同场景、不同任务中灵活复用，无需针对每个场景重新开发智能算法。这也是 Panther 能实现多场景适配的核心原因，更是其相比传统人形机器人的核心优势。

（六）没有全栈自研，不可能'越来越丝滑'

然而，物理本体全栈自研并不是从 Panther 才开始。在上一代发布产品 Wanda 2.0 上，Unix AI 已完成底盘、机械臂、关节模组与末端执行器等关键链路的自研可控，并在产品矩阵中持续复用与迭代。

Panther 的硬件升级和智能架构落地，都建立在这套自研底座之上，面向真实场景任务交付做出的平台级升级：

• 轮式全向底盘升级：狭小空间横移/原地旋转/贴边对齐；
• 量产级 8DoF 自研机械臂升级：更强可达性与姿态自由度；
• 关节模组与控制链路持续强化：一致性、刚性、长期稳定性；
• 自适应智能夹爪与末端执行器体系完善：更广泛的抓取与操作覆盖；
• 48V 平台升级：更强输出、更稳高速控制；
• 80cm 上半身升降 + 触地作业：更完整的任务高度覆盖。

这六大升级，并非孤立的硬件改造，而是基于全栈自研底座的系统性优化，各个部件之间能实现深度的协同适配，让硬件平台的整体性能实现 1 + 1 > 2 的效果。

物理本体全栈自研，加上'三位一体'智能架构，让优理奇实现了从硬件到软件的全链路自研可控，具备了打造出通用人形机器人的基础，这一模式让 Panther 拥有了独特的核心竞争力。

（七）具身智能，从'动作展示'走向'任务交付'

具身智能真正的分水岭不在'能 demo 演示'，而在能在真实场景持续稳定地完成任务。

如果把时间线拉长到 5 年，这句话的含金量还会持续提升。

新一代的 Panther，不会是优理奇在具身领域的最终答卷，而是他们迈向落地量产的重要一环。

未来的人形机器人研发，必须以真实场景、真实任务为核心导向。

纵观人形机器人的发展历程，从最初的简单移动，到后来的复杂动作演示，行业经历了多年的技术积累，而 Panther 的出现，让这份技术积累真正转化为了实用价值。

• 不再追求单一动作的炫酷，而是聚焦于真实场景任务的完成；
• 不再局限于实验室的理想环境，而是直面复杂的真实场景；
• 不再是孤立的硬件或软件升级，而是实现了硬件与智能架构的深度融合。

当然，人形机器人的真实场景落地之路，依然还有很长的路要走。