如果机器人不再需要编码器，我们这行怎么办？

前几天我跟一个同行聊天，我说了一句有点吓人的话：“我总觉得有一天可能很快就要来了，所有编码器都要被颠覆。”

他马上问我：“被什么技术取代？”

我当时说，具体什么还说不清，一个方向可能就是人工智能。

我是做磁编码器、感应式编码器和光学编码器芯片的。我们每天还在解决 INL、温漂、谐波、气隙、偏心、延迟这些东西。一个产品从 ±0.5° 做到 ±0.1°，再往 ±0.05° 压，背后可能就是几个月甚至更久的工作。

可有没有另外一种可能：机器人根本不陪我们继续玩这个游戏了？

不是出现一颗 24 bit 编码器，把现在的 16 bit、18 bit 编码器打死。而是机器人有一天发现：我没有必要把每个关节角度都测得那么准。

不是出现一个更强的编码器竞争对手，而是机器人可能有一天重新定义：哪些东西必须测，哪些东西可以算。

8月26日，真的有人把 Encoder-free 写进了论文标题

2026 年 8 月 26 日，Case Western Reserve University 的研究团队在 Frontiers in Robotics and AI发表了一篇论文，标题就叫：Encoder-free hexapod dead reckoning on sand using learned inertial correction。

他们研究的是六足机器人在草地、沙地等环境中的航位推算：不依赖关节编码器来完成这部分估计，而是使用 IMU、运动指令以及 CNN 去学习“指令运动”和“实际运动”之间的偏差。论文报告，相比仅依据指令运动学的基线，平均航位推算漂移在草地降低约 41%，在沙地降低约 59%。

这当然不能证明“机器人已经不需要关节编码器”。它解决的是航位推算，而不是高性能关节伺服。但作为一个做编码器的人，我注意到的是标题里的那个词：Encoder-free。

以前某个状态不好测，我们首先想到的是：再装一个传感器。现在越来越自然的问题却变成了：能不能不装，让算法从已有信号里把它估出来？

不是一个孤立案例：专用传感器正在被“计算”吃掉

类似路线已经出现在机器人其他物理量上。研究者会利用关节角、速度、电机电流、动力学模型以及学习算法，去估计碰撞、外力或接触状态，而不是给每一种物理量都增加一颗独立传感器。

原来的思路是：
Force → Force Sensor
现在越来越可能变成：
Motor State + Robot Model + NN → F̂

这件事真正值得编码器行业警惕的地方是：一个物理量，不一定非要有一个与它一一对应的专用传感器。

只要它已经以某种形式“泄漏”进其他观测量，而且信息足够丰富，模型就可能把它重新恢复出来。于是问题自然会落到我们自己头上：角度是不是也一定要用今天这种编码器直接测？

人体其实早就在这么干

人伸手拿杯子的时候，身体里没有一颗 18 bit SPI absolute encoder，每隔几十微秒向大脑报告一个精确关节角。

人体依靠肌梭、肌腱、皮肤、前庭和视觉等多种信息。大脑真正需要解决的不是“肘关节编码器现在是多少度”，而是：我的手现在在哪里，我的身体现在是什么状态。

机器人也越来越接近这种结构。今天一个机器人可能同时拥有编码器、IMU、电流、视觉和触觉。中央系统真正需要的是：
{y₁, y₂, …, yₙ} → x̂

这里的 x̂ 才是机器人真正关心的状态。位置，只是观测之一。

如果中央大脑够强，±0.05° 还有那么值钱吗？

这才是我真正担心的地方。

今天为了让一个机器人关节达到整机要求，我们可能要求输出轴编码器做到 ±0.05°。为了这 ±0.05°，磁路、线圈、模拟前端、算法、校准、装配公差都要付成本。

可是如果有一天机器人厂发现：一个 ±0.2° 的位置传感器，加上 IMU、电流、视觉和动力学模型，最后手抓杯子的成功率、轨迹性能和平衡能力并没有明显下降呢？

采购下一句话一定很现实：我为什么还要为 ±0.05° 付钱？

这可能才是 AI 对编码器行业真正的威胁。不是突然冒出来一种“AI 编码器”，而是AI 让系统开始容忍一颗没那么完美的编码器。

但宇树 G1 给了一个完全相反的答案

事情到这里突然出现了一个反转。

2026 年的一项 Blind Dexterity研究直接在 Unitree G1 上做实验。研究人员尝试在没有视觉、没有专用力/力矩和触觉输入的条件下，仅利用机器人自身的本体感觉完成接触和操作任务。

这里最让我感兴趣的不是 demo，而是：joint encoder 并没有变得没用。

相反，关节编码器在机器人主动接触环境时产生的一段时间历史，本身就包含了接触信息。脚碰到球、手碰到行李箱、腿碰到物体，关节状态都会发生不同响应。于是：
θₜ₋ₙ … θₜ₋₁, θₜ → Contact / Object State

原来只被当成“角度”的数据，被模型重新利用了。

这意味着 AI 确实可能让机器人少装某些传感器，但它不一定首先干掉编码器。它甚至可能拿编码器去干原本不属于编码器的事情。

真正的死穴叫“可观测性”

继续往下推，就碰到一个算法绕不过去的问题：AI 不能创造不存在的信息。

电机高速旋转时，可以利用反电势、电流和磁链估计转子位置。但零速呢？刚上电呢？机器人断电以后被人掰动，再上电的第一毫秒呢？

再比如减速器。理想情况下：
θₒ = θₘ / N
知道电机轴，就知道输出轴。

可真实机器人有关节柔性、回差、摩擦、外力、磨损和温升：
θₒ ≠ θₘ / N

如果两个不同的真实状态产生完全相同的观测：
x₁ ≠ x₂ 但 h(x₁) = h(x₂)
那么再大的神经网络也无法从物理上唯一确定答案。

这就是控制理论里一个很老、但在 AI 时代反而更重要的词：Observability，可观测性。

现实里的机器人，甚至还在增加编码器

这也是为什么产业现实并没有简单走向“去编码器”。

一些机器人关节模块采用双编码器：一颗看电机侧，一颗看输出侧。两颗编码器看到的并不是同一个状态。

Motor side → θₘ
Output side → θₒ

两者之间的差值本身就开始包含减速器变形、回差、外部负载等信息。

所以多一颗编码器不一定只是为了冗余。它也可能是在给算法增加一个新的可观测维度。

AI 越强，未必越不需要传感器。它真正需要的是：更有信息量、更可信的传感器。

我开始重新考虑：我们到底在卖什么？

我是做磁编码器、感应式编码器和光学编码器芯片的。以前看产品定义，我很自然地盯多少 bit、多少度、INL、最高转速、延迟、温漂。

这些当然仍然重要。

但如果未来机器人越来越依赖状态估计，我觉得还应该多问一句：我的芯片到底给整个机器人增加了多少“不可替代的信息”？

一个 ±0.01° 的传感器，如果它提供的信息能被其他五路信号轻易推算出来，它的系统价值未必像我们想象得那么高。

反过来，一个 ±0.2° 的传感器，如果它在断电重启、零速、遮挡、碰撞、减速器变形时提供了其他传感器没有的信息，它可能非常值钱。

所以以后真正应该问的，也许不只是“还能不能再准一点”，而是：

拿掉我以后，系统还有没有办法知道这件事？

现在让我重新回答最开始那个问题，我不会说“编码器肯定不会消失”。

Encoder-free 已经真的出现在机器人论文标题里。利用已有 proprioception 和模型减少专用传感器，也已经不是概念。

但另一边，AI 又开始从编码器数据里挖出原来不属于“角度”的信息。

所以真正可能颠覆我们的，未必是下一种编码器原理。

而是机器人从“测量每一个物理量”走向“估计整个身体状态”。

到那一天，某些编码器可能真的会被删掉，某些高精度指标可能迅速贬值；但另一些编码器反而会更重要，因为 AI 要想聪明，首先得有东西可以看。

模型可以纠错，可以融合，可以预测。

但机器人身体里那几个真正不可替代的观测量，最终总得有人去测。

我们这行真正应该抢的，可能不是最后那 0.01°。

而是成为那个不能被删掉的观测量。参考资料
Frontiers in Robotics and AI：Encoder-free hexapod dead reckoning
Figure：Helix 02
Unitree G1

注：文中涉及研究结果用于讨论机器人状态估计与传感器架构变化；“不再需要编码器”是文章提出的产业问题，不代表上述研究已经证明高性能机器人可以普遍取消关节位置反馈。