太空机器人，正在获得人工智能领域更多的关注。
10月27日，Google公布了与NASA合作开发机器人助手概念验证系统的进展。这套面向未来深空任务的系统，探索让机器人承担货物管理、工具整理及医疗设备取用等工作，帮助宇航员减轻日常任务负担。
图 1 iMETRO 测试设施资料图，展示机械臂、货包与舱门等设施组成。图片来源：NASA
团队在 iMETRO 测试设施中，结合 MuJoCo 仿真和开源视觉—语言—动作模型 π?，取得了85% 的早期基线成功率。团队使用 Google Cloud G4 实例，在大约 2.5 小时内完成了对拥有 40 亿参数的 Pi0 模型的微调。随后，生成的模型可以在紧凑型边缘计算硬件上本地运行。项目目前仍处于地面验证阶段。未来设想包括通过语音指令执行任务，以及在宇航员监督下取来、准备超声设备等医疗辅助工作，医疗判断仍由人负责。
支撑此次实验的 iMETRO，也体现了 NASA 推进机器人研究的思路。根据 NASA 的介绍，iMETRO 是面向物流、维护和科研等应用的地面测试设施，将开源软件与仿真资产、航天器和居住舱模型、实体机器人等资源结合起来。研究团队既可以测试完整机器人，也可以单独验证某个硬件部件或软件模块，让技术开发围绕实际任务展开。
图 2 NASA 灵巧机器人团队成员进行机械臂测试。团队资料图。图片来源：NASA
这些看似是简单任务，却把空间机器人需要具备的多种能力连接起来，让太空机器人的应用问题更加具体：当人工智能开始理解任务、规划动作，怎样的机器人系统，才能把这些能力带到太空？
在国内，向上跃升（AstroUp）正在围绕这一问题推进研发。这家太空具身机器人公司，聚焦将空间机器人工程经验与人工智能技术结合，面向卫星维护、在轨组装、空间科学实验等场景，研发具备感知、决策与操作能力的机器人系统。
图3 向上跃升公司LOGO。图片来源：向上跃升官网
向上跃升的研发基础，来自核心团队十余年积累的真实在轨经历。据公司官网披露，团队拥有十余年、多型号空间机器人在轨经验，承担过多个国家级空间机器人系统的总体设计与制造交付工作，核心成员具有多次空间机械臂在轨验证经历。
从总体设计到制造交付，再到在轨验证，空间机器人的研发需要处理机械结构、驱动控制、供电通信与任务接口之间的关系，并让各部分在实际任务条件下协同运行。这些工程经历，为团队理解空间环境约束、设计机器人硬件及组织系统验证提供了基础。
向上跃升正在将这些积累与具身智能、类脑计算及多模态感知研究结合，同时推进机器人的硬件平台与智能模型研发：让机器人拥有能够执行空间操作的“身体”，也逐步建立理解环境、规划任务和调整动作的“大脑”。
公司公布的 ASTRO-Pocky 是一款宇航级模块化太空机械臂，采用七自由度构型，关节配置和末端负载能力可根据任务需求调整，面向在轨抓取、装配、维修与载荷操作等任务。
图4 ASTRO-Pocky示意图。图片来源：向上跃升官网
根据官网参数，ASTRO-Pocky 臂体质量为10—20千克，全伸展载荷为2—6千克，工作半径随构型不同可达0.8—3米。产品集成关节力矩传感与末端六维力／力矩传感器，为机器人感知操作过程中的接触状态提供反馈。
这些能力对应着空间操作中的实际需求。工作范围影响机械臂能够接近哪些设备，载荷能力关系到可以搬运什么，力与力矩反馈则为接触、插拔和工具操作提供判断依据。不同任务，需要在机械臂构型、操作范围与执行方式之间进行匹配。
在机械臂之外，向上跃升还布局了 ASTRO-Pudding 模块化太空机器人。
图5 ASTRO-Pudding示意图。图片来源：向上跃升官网
按照公司公开的产品设计，ASTRO-Pudding 通过标准化接口连接主体、机械臂单元和作业末端，可按任务组织为双臂、多臂及多分支构型。接口同时考虑机械连接、供电、通信和热传递，使不同模块能够围绕任务需求组合。
其面向的应用包括在轨装配、设备更换、协同搬运和星表移动作业。通过配置不同末端工具，同一机器人平台可以适配不同操作对象。
官网展示的任务设计进一步解释了这种构型的用途：单臂围绕工具取用、面板操作和支撑点切换组织动作；双臂则面向需要协同支撑、搬运和插拔的作业流程。在算力卫星维护的概念场景中，机器人通过交替连接作业接口，衔接服务器模块操作与自身位置迁移。
这些设计关注的是机器人怎样持续接近不同作业位置，并把多个操作环节连接起来。对于需要跨位置维护的空间设施，工具更换、支撑切换与操作执行需要共同设计。
有了执行任务的硬件，机器人还需要能够应对变化的“大脑”。
以抓取漂浮工具为例，在地面上，桌面可以为物体提供支撑；在失重环境中，一次轻微接触就可能改变目标的运动。机器人需要持续判断物体的位置、姿态与运动状态，在接近过程中调整动作，并协调接触与夹爪闭合的时机。
设备维护则进一步涉及任务理解与连续决策。面对一项维护指令，机器人需要识别操作对象，选择合适的工具和接近方式，判断是否需要建立支撑，再根据执行反馈决定下一步动作。一次完整作业，可能包含取工具、移动到位、接合接口、完成操作、收纳工具和迁移位置等多个环节。
在向上跃升的研发思路中，模型与硬件需要围绕这些任务共同设计。模型承担环境感知、任务理解和动作决策等工作，机械臂、夹爪、对接接口与支撑点负责将操作落实；硬件获得的视觉、位置和接触信息，又为后续判断提供反馈。
这意味着，模型研发需要同时考虑机器人的实际构型、操作范围、接口约束与执行状态。机器人不仅需要知道目标在哪里，还要判断当前身体能否到达、接触是否已经建立，以及操作是否达到了预期结果。
围绕这些基础能力，向上跃升本月公开了国际首个太空操作评测基准 AstroBench，并已经发布在开源平台github、huggingface。其任务体系涵盖自由漂浮目标捕获、样品存储和设备维护，将操作对象、初始条件和完成判据明确下来，为机器人学习与控制方法提供研究环境。
图 6 AstroBench RRM 接口维护仿真任务场景
图 7 AstroBench MELFI 样本收纳仿真任务场景
自由漂浮捕获关注机器人如何接近并抓住没有支撑的目标；样品存储涉及转移、插入、取出以及盒盖开关；设备维护则包括盖帽移除、收纳和螺钉操作。不同任务对应不同的感知、决策与执行要求，也让模型能力能够被放到具体工作中检验。
论文报告的捕获实验在仿真环境中进行。结果显示，所测试的通用机器人策略在直接迁移到相关任务时面临困难，而针对特定目标训练的策略在另一组实验中表现出捕获能力。两组实验配置不同，不能据此进行模型优劣排名，但它们为研究运动感知、接触形成与控制方式提供了具体依据。
对模型研发而言，明确的任务和评测条件有助于定位问题：失败发生在目标识别、接近过程，还是接触之后？一次抓取成功，是否足以完成整个操作？当这些问题能够被记录和复查，模型、控制方法与硬件的迭代就有了共同参照。
围绕模型能力向真实任务的转化，向上跃升提出了 Sim2Ground2Space 路线：先在仿真任务环境中研究和评测模型，再通过地面系统验证真实硬件执行，逐步推进到空间任务验证，并将后续任务数据用于改进模型和系统。
这条路线将“大脑”与“身体”的研发连接起来。仿真阶段用于组织任务、研究策略；地面阶段检验模型与机械臂、传感器及操作接口之间的配合；空间任务则进一步检验系统在实际环境中的表现。每个阶段的结果，都需要成为下一步研发的依据。
NASA与Google的合作，展示了人工智能参与未来空间任务的一种可能。对于向上跃升，推进这类应用的基础，是核心团队积累的在轨工程经历、面向具体任务的机器人硬件，以及围绕感知、决策和操作开展的模型研究。
从太空机械臂到模块化机器人，从任务评测到逐级验证，向上跃升正在将这些能力结合，探索让机器人在太空中创造更多的价值。
