跳到主要内容
极客日志极客日志面向AI+效率的开发者社区
首页博客我的书AI学习GitHub 精选镜像AI工具UI配色美学关于
搜索内容 / 工具 / 仓库 / 镜像...⌘K搜索
注册
博客列表
编程语言AI算法

Unix AI 发布第三代 Panther 机器人,聚焦真实场景交付能力

Unix AI 推出第三代 Panther 机器人,针对具身智能从 Demo 向交付转型的行业痛点。通过全向底盘、8 自由度机械臂及 48V 供电平台实现硬件升级,配合 UniFlex、UniTouch、UniCortex 三位一体智能架构,在烹饪、倒酒、刺绣等复杂场景中展现稳定任务执行能力,标志着人形机器人向真实场景落地的关键一步。

DataScient发布于 2026/4/7更新于 2026/10/2483 浏览
Unix AI 发布第三代 Panther 机器人,聚焦真实场景交付能力

近期,人形机器人行业正经历从'概念追捧'到'交付验证'的深刻认知升级。

过去一段时间,行业内出现了一些现象:部分机器人在 Demo 阶段表现亮眼,成功说服客户在产线测试,但实际落地时却因效率低下无法胜任工作。对于流水线场景,动作耗时往往远超预期,这种落差导致不少团队开始收敛,具身智能逐渐褪去华丽外衣,回归技术和产业本质。

开年以来,融资事件频发,但量产和落地的压力依然悬在头顶:'有多少机器人实际在真实场景下工作?''能否降本增效?''是否稳定运转?'找准商业化落地场景,已成为行业主线。

一、能做动作只是第一步,真实场景才是终局

整洁的操作环境已无法满足技术展示的要求。当前具身领域刮起了一阵'真实风',真机、真实场景、真实测试、真实反馈成为标配。

想象一下,收拾一件衣服很容易,但真实场景中,房间内有乱放的椅子、鞋子、未整理的被褥,甚至桌上的水杯和外卖。面对脏乱环境,机器人是否会'一脸懵逼'?

现实任务要求机器人走出实验室,进入门店、厨房、酒店、办公等日常场景。'真实'这把尺子正在测量每款产品的边界。相比于漂亮的动作展示,机器人在日常场景中面临的不确定性更多:空间狭窄、路径拥堵、目标遮挡、物体形变、人与设备随机进入作业区域……

每一类突发情况都可能导致机器人'手足无措'。持续稳定地完成任务,将是每个产品的'终局'。这不仅是本体的提升,更考验机器人的'大脑'与感知能力。

全栈自研已成共识,苏州 Unix AI 正在本体、算法和场景上同时发力。近日,该公司正式推出第三代产品,实现了从本体到算法的跨层升级。

二、第三代机器人 Panther 黑豹

去年,Unix AI 车间已完成单月百台的交付。赶在春节前,他们发布了第三代轮式操作机器人 Panther,在硬件和软件上全面升级。

Panther 在高度大运动范围的平台上搭载量产级 8 自由度仿生机械臂与自适应智能夹爪,并采用全向四转四驱底盘。这一设计带来了更加灵活的机动能力与更稳定的作业表现。

相比上一代,Panther 实现 80cm 上半身升降并支持触地作业;更广的头部视野与底盘的横移/原地旋转,让机器人在门店、走廊、工位等复杂环境中移动更顺滑、取放更稳。动力和稳定性方面,Panther 设计了 48V 供电平台,整机输出更充沛,爆发动作与高速控制的稳定性显著提升。

算法上加持了自研的'三位一体'架构,本体升级决定能力上限,智能架构决定落地效率。

Panther 机器人外观

三、所有的升级,只为真实场景

具身产品的迭代看似都在减重、增加功能,但面向真实场景的性能提升才是'有效优化'。Panther 在硬件层面实现了全方位的平台级升级,为真实任务打造了坚实的硬件基础。

1)狭窄空间内,'来去自由'

更强机动:狭小空间里的'会走位的操作平台'。

在厨房、门店通道、工位走廊等场景里,空间往往不允许机器人'大转弯'。传统人形机器人的移动方式,使其在狭小空间中极易出现走位偏差、无法贴边作业等问题。而 Panther 搭载的全向四转四驱系统让机器人可以:

  • 横移避让、贴边通过:在遇到障碍物时无需大幅转向,横向移动即可轻松避开;
  • 原地旋转快速掉头:在狭窄的通道中也能灵活调整作业方向;
  • 贴边对齐:让抓取和放置动作的一致性大幅提升。

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。

Panther 升降演示

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。

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。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。

Panther 高尔夫挥杆

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。

Panther 机械臂操作

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'。

Panther 烹饪协作

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,这也是世界模型的能力。

Panther 倒酒演示

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。

Panther 打牌演示

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。

Panther 刺绣演示

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。

Panther 迎宾演示

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。

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。

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。

CEO 杨丰瑜

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。

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 Unix AI 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。

Unix AI 全景图

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 Unix AI 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。

目录

  1. 一、能做动作只是第一步,真实场景才是终局
  2. 二、第三代机器人 Panther 黑豹
  3. 三、所有的升级,只为真实场景
  4. 1)狭窄空间内,“来去自由”
  5. 2)“自地向上”,适配不同高度任务
  6. 3)动力拉满后的爆发,高速动作也能“游刃有余”
  7. 4)一双灵活的上肢,才能执行更自然的动作
  8. 四、真实场景下的极限实力
  9. 1)简单的一顿饭,很考验“多级协同”的能力
  10. 2)倒酒这件事,需要毫秒级的判断
  11. 3)掼蛋场景也能搞定,精细长时序力控
  12. 4)刺绣场景下的“毫米级”定位
  13. 5)迎宾待客,从“执行命令”到“理解行为”
  14. 五、一套组合拳,让机器人学得快、做得稳、跑得通
  15. 1)别让数据成为“那堵墙”,提升泛化不止“加量”一条路
  16. 2)切身感受“薯片的脆弱”,视觉和触觉的真正“融合”
  17. 3)“手无足措”是因为机器人缺乏“思考”能力
  18. 六、没有全栈自研,不可能“越来越丝滑”
  19. 七、具身智能,从“动作展示”走向“任务交付”

更多推荐文章

查看全部
  • C++ 实现 JSON+HTTP Web 服务器与计算器实战
  • Spring Boot 配置属性自动绑定实战
  • 2025 年 AI 大模型发展趋势与企业应用展望
  • 36 岁非科班转行 AI 算法工程师:半年学习与面试经验
  • OpenClaw 实战:打造具备记忆与自省能力的 AI 助手
  • Figma + Claude + Weavy AI:构建高效 UI 设计工作流
  • QClaw 接入微信背后:AI 如何从聊天走向执行任务
  • WhisperLiveKit 实战指南:从本地部署到生产环境搭建
  • ClawDBot macOS 安装实践
  • PowerShell Invoke-WebRequest 报错 Invalid URL 与 CommandNotFound 排查指南
  • VSCode AI Copilot 智能补全失效修复指南
  • 基于 C++11 手写前端 Promise 实现
  • SubtitleEdit Purfview Faster Whisper XXL 引擎安装失败解决方案
  • GitHub Copilot 登录失败排查指南:7 个关键检查点
  • 2024 年医疗大模型发展趋势:私有化部署与安全合规
  • Java Web 学习:CSS 元素显示模式详解
  • 国产大模型行业跳槽趋势与薪酬潜力深度解析
  • 基于 Qwen3-VL 的操作视频智能评分系统部署实战
  • FAST_LIO 与 FAST_LIO2 算法原理及 ROS2 环境复现
  • 机器人 DH 参数模型与正运动学

相关免费在线工具

  • 加密/解密文本

    使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online

  • RSA密钥对生成器

    生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online

  • Mermaid 预览与可视化编辑

    基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online

  • 随机西班牙地址生成器

    随机生成西班牙地址(支持马德里、加泰罗尼亚、安达卢西亚、瓦伦西亚筛选),支持数量快捷选择、显示全部与下载。 在线工具,随机西班牙地址生成器在线工具,online

  • Gemini 图片去水印

    基于开源反向 Alpha 混合算法去除 Gemini/Nano Banana 图片水印,支持批量处理与下载。 在线工具,Gemini 图片去水印在线工具,online

  • Base64 字符串编码/解码

    将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online