近年来，智能制造、医疗康复和服务等领域加快应用落地，机器人应用重点也从“能动起来”转向“能安全、可靠、精细地与环境交互”；精密装配、力敏加工、人机协作等场景中，机器人不仅要完成轨迹跟踪，还需要在力感知、力控制、碰撞响应与人机安全等具备可量化、可验证的综合能力。现实需求推动行业直面一个关键问题：如何用统一、客观、可复现的方法评价机器人的物理交互能力，并据此进行科学选型和跨平台对比。 问题在于，长期以来业内常见的机器人分类，多依据运动学结构、外形形态或应用场景等“外部属性”。这类方式便于快速识别和传播，但难以反映机器人在任务执行中的能力差异，尤其难以覆盖触觉与安全交互等关键指标。对采购方、系统集成商和产线规划者来说，“协作”“工业”“轻量化”等标签并不天然对应具体性能，容易造成选型信息不对称，跨厂商比较缺少共同尺度，也不利于沉淀可持续的标准体系与行业共识。 造成这种局面的原因，一上是物理交互能力本身具有多维特征：同一机械臂不同末端执行器、不同接触材料、不同速度区间下，力觉表现与安全边界可能截然不同；另一上，触觉对应的性能缺少统一测试基准，指标设计与数据采集成本较高，使得行业更倾向沿用形态或用途的“简化分类”。同时，协作应用正向柔性装配、混线生产等复杂场景延伸，单一维度指标（如负载、重复定位精度）已难覆盖关键风险点与质量控制需求。 ，慕尼黑工业大学相关团队《Nature Machine Intelligence》发表研究，提出基于“性能适配度”的“机器人之树”分类体系，尝试用统一框架同时表征形态特征与任务性能。研究借鉴生物分类的树状层级思路，将“形态”视作树干，按领域、尺度、材料、工作原理、移动性、运动学结构等维度逐级细分；将“性能”视作树枝，以运动适配度与触觉适配度为核心，更细分为更具体的能力类别，从而形成“形态—性能”联动的层级分类逻辑。 为让分类框架具备可操作性，研究以工业流程需求为输入，按“流程解析—操作提取—指标定义—性能评测”的路径搭建体系。研究参考职业培训课程与制造流程，并结合大量应用视频分析，归纳典型流程与基础操作，进一步形成流程质量评价指标。在指标体系上，研究将现有运动学测试标准的运动指标与触觉相关指标结合，建立覆盖力感知、力控制、力响应、人机安全与手动操控等维度的触觉性能指标集合。指标不仅包含精度、分辨率等静态指标，也纳入漂移、稳定时间、超调量、带宽、冲击稳定性等动态表现，并参照人机协作安全相关技术规范，提出可量化的合规度评估思路。 研究还通过实验对框架进行验证。实验选取多款主流商用工业与协作机械臂，使用标准化测试装置与统一流程，在受控环境下采集大量数据。结果显示，即便标称属于同一类别，不同机器人的关键性能差异仍可能达到数量级：例如在力感知精度、最小适用力、瞬态安全合规率以及手动操控启动力等上，机型间差距明显。这表明，单靠“协作机器人”等传统标签来判断能力参考价值有限；面向具体任务的选型更需要可核验、可对比的性能证据。 归类方法上，研究采用非参数统计检验与聚类分析等手段，基于性能对受试机型分组，形成若干“属类”画像。例如，一类机器人运动性能突出但触觉与安全交互能力较弱，更适合搬运、焊接等对接触控制要求不高的任务；另一类具备基础安全与易用性，触觉能力处于中等水平，可用于通用装配等场景。通过这种方式，分类不再停留在外观和结构层面，而是与可验证的任务能力绑定，为跨机型对比、系统集成与工艺规划提供新的决策依据。 业内人士认为，若这类以性能适配度为核心的框架能进一步对接产业标准，可能在三上带来变化：一是提高选型与验收透明度，降低协作与柔性产线集成中的试错成本；二是推动厂商围绕触觉、安全、可控性等关键能力开展“指标驱动”的迭代，使技术路线更可比；三是为行业形成统一测评语言与数据共享机制打基础，推动从“概念分类”转向“能力分级”。 同时也需要看到，机器人能力受末端执行器、传感器配置、控制策略与场景约束影响明显。评测体系要走向更广泛应用，仍需测试成本、可复现性、跨实验室一致性，以及与真实工况的对应关系等上持续完善。未来若能引入更多真实产线数据，并将不同材料与接触工况纳入基准测试，同时推动与国际标准体系协同更新，性能导向的分类框架有望更快形成行业共识。
机器人产业正从“能动起来”走向“能安全、稳定、精准地触碰世界”。当制造流程日益精细、人与机协作更加频繁，仅凭外形与用途的粗分类已难满足需求。以任务为牵引、以性能为尺度、以标准化测试为基础的分类探索，可能成为机器人走向规模化应用与可信赖交互的重要一步。