主流的开源具身机器人项目与生态

author: 周均扬

date： 2026.05.24

1. 开源硬件机器人平台

1. OpenARM 经济型开源人形机械臂

描述：国产完全开源的双臂机械臂平台，包含完整 CAD、固件、控制代码、仿真支持和社区生态。适合真实场景的抓取、物流、工业自动化任务开发。([OpenArm]¹)

优点

• 硬件+软件完整开源，可自由修改与二次开发。([OpenArm]¹)
• 兼容 MuJoCo / Isaac Sim 仿真，有利于训练策略和Sim2Real调试。([OpenArm]¹)
• 支持多底盘类型和高自由度抓取任务。([OpenArm]¹)

限制

• 作为机械臂平台，对全身动态平衡与移动性支持不足。([OpenArm]¹)
• 社区规模尚在成长阶段，资源相对较少。([OpenArm]¹)

2. ReBot-DevArm（开源机械臂）

GitHub 项目，提供机械臂的完整硬件设计、BOM 及 ROS/仿真集成方案（支持 Python SDK、ROS1/2、Isaac Sim、LeRobot 等）。([MemeData]²)

优点

• 真正开放硬件设计 + 软件实现，适合快速构建物理机器人原型。([MemeData]²)
• 与 ROS1/2、Isaac Sim 和 LeRobot 集成，便于快速部署策略学习和视觉集成。([MemeData]²)
• 有社区教程和教程计划，加速上手。([MemeData]²)

限制

• 负载能力较为有限（适合桌面级任务）。([MemeData]²)
• 对全身机器人（例如双足或移动抓取机器人）扩展性受限。([MemeData]²)

3. Barkour Robot（DeepMind 四足机器人开源项目）

DeepMind 开源的四足机器人设计文件、仿真模型、嵌入式代码和硬件 CAD，在动态运动研究与高自由度平台上具有价值。([东海gc]³)

优点

• 全开源的四足动态机器人平台，适合平衡、跳跃、规划等核心研究。([东海gc]³)
• 提供 MuJoCo 仿真和底层控制器设计，有助于强化学习训练整合。([东海gc]³)

限制

• 硬件搭建难度高，对电机驱动和嵌入式控制要求严格。([东海gc]³)
• 社区成熟度和扩展文档较少。([东海gc]³)

4. iCub（开放源代码的人形机器人）

学术界经典的开源人形机器人平台，可用于认知机器人、控制算法、仿真与学习研究。([维基百科]⁴)

优点

• 专注研究用途，社区历史悠久，生态丰富。([维基百科]⁴)
• 支持高级控制与学术实验，是许多大学与研究机构的首选平台。([维基百科]⁴)

限制

• 本体构造复杂，成本和搭建难度较高。([维基百科]⁴)

5. InMoov（3D打印开源人形平台）

利用 3D 打印组件和 Arduino 控制器构建的开源机器人，适合教育和原型开发。([维基百科]⁵)

优点

• 低成本、易制造、社区活跃。([维基百科]⁵)
• 适合初学者理解机器人形体与控制。([维基百科]⁵)

限制

• 机械强度与精度一般，不适合高性能感知与控制任务。([维基百科]⁵)

2. 机器人软件与生态项目

这些项目不直接包含硬件，但对于具身智能算法开发、训练流程、仿真或集成非常关键。

1. Intern Robotics 平台

开源工具链用于具身 AI 感知、导航、操作与全身控制研究，包含仿真、模型和 benchmark。([GitHub]⁶)

适用场景

• 机器人导航、操作和强化学习训练平台集成。([GitHub]⁶)

2. Stretch（Embodied AI）社区与资源

OpenStretch 是一个模块化的机器人研究平台，配合社区开源模型、数据和任务框架（例如 OK-Robot、Teach a Robot to Fish、ForceSight）。([Hello Robot]⁷)

优点

• 提供开源策略与实际任务数据，有助于端到端学习。([Hello Robot]⁷)

限制

• 通常需结合特定硬件或底盘来实际部署。([Hello Robot]⁷)

3. Every-Embodied（datawhalechina）

教育型具身智能项目，讲解如何从零搭建具身机器人和决策系统，可作为入门学习资源。([GitFind]⁸)

优点

• 低门槛、侧重概念与实操教学。([GitFind]⁸)

限制

• 不包含高级控制算法或复杂机器人平台实现。([GitFind]⁸)

3. 选型建议（按用途分类）

4. 工程实施注意事项

1. 仿真优先：建议先用 MuJoCo / Isaac Sim 等仿真平台验证控制策略，再迁移到真机。([Hello Robot][7])
2. ROS/ROS2 生态：几乎所有项目都基于 ROS，建议掌握 ROS 与 Gazebo/RVIZ 集成。([reddit.com][9])
3. 数据集与模型：利用社区数据集（OpenLET 等）可以提升模型训练效果。([openlet.openatom.tech][10])
4. 模块化分层控制：将感知、规划和低级控制分层，实现大小脑式架构，提高鲁棒性。

5. 参考资料