具身智能科技前瞻探索（第2期）

具身智能科技前瞻探索(第2期)2025/03/21/《具身智能科技前瞻探索》第2期01为产业发展和投资决策提供最前瞻视角。本期科技前瞻探索摘录来自清华大学、本期科技前瞻探索摘录来自清华大学、MIT、英伟达等研究机构的6篇最新学术前沿成果,包括真实世界在线学习系统RLinfUSER02风险提示技术研发进度不及预期风险、风险提示技术研发进度不及预期风险、技术成果转化不及预期风险、商业化应用不及预期风险。032010203040506074/《具身智能科技前瞻探索》第2期 《具身智能科技前瞻探索》第2期清华大学等机构推出RLinf-USER系统,一套面向具身智能真实世界在线策略学习的统一可扩展基础设施,通过将物理机器人与GPU纳入统一硬件主要贡献:1:提出统一硬件抽象层设计:将物理机器人与GPU等加速器作为同等的一等硬件资源,实现异构机器人的自动发现、统一管理与调度,支撑多机器人并行训练与跨机型统一学习。2:构建自适应通信平面:通过隧道组网、分布式数据通道与SM感知权重同步机制,实现云边跨域稳定通信,降低跨网传输开销,避免权重同步占用GPU核心计算资源。3:设计全异步学习框架:解耦数据生成、模型训练、传输与权重同步流程,保障机器人连续执行不中断,显著提升真机学习的训练效率与收敛速4:提供高可扩展抽象接口:统一支持多种奖励机制、学习算法与模型架构,覆盖主流强化模仿学习范式,无需重构底层系统即可适配多样化学影响展望:1:对具身智能学术研究前沿的影响:为具身智能真实世界在线策略学习提供了统一的系统级框架,补充了现有仿真中心化框架在真机分布式部署场景的适配不足。其异构硬件统一抽象、全异步训练等设计,为学界后续真机大规模分布式学习研究提供了可复用的基础设施,也为不同算法、模2:对具身智能产业界发展的参考意义:本系统降低了机器人真机在线学习的部署与研发门槛,其云边协同架构可适配工业、服务机器人等商用场景的分布式真机训练需求,统一的硬件抽象也可支撑多品牌、多机型机器人的统一策略学习与迭代,能够帮助厂商缩短真机策略调优周期,缓解仿真与真机的性能差距,加速技术从实验室向商用场景的落地。5《具身智能科技前瞻探索》第2期 《具身智能科技前瞻探索》第2期原文摘要:在物理世界中直接开展在线策略学习,是具身智能领域一个极具前景却充满挑战的方向。与仿真环境不同,真实世界系统无法被任意加速、低成本重置,也难以大规模复制,这使得规模化数据采集、世界在线策略学习不仅是算法问题,更是一个底层的系统工程问题。我们提出了USER,一套面向真实世界在线策略学习的统一可扩展系统。USER通过统一硬件抽象层,将物理机器人与GPU一同视为云边通信难题,USER设计了自适应通信平面,通过基于隧道的组网技术、实现流量本地化的分布式数据通道,以及流多处理器感知的权重同步机制,对GPU端开销进行管控。在该基础设施之上,USER将学习过程组织为全异步框架,并搭载持久化缓存感知缓冲据复用能力。此外,USER为奖励函数、算法与策略提供了可扩展的抽象接口,在统一管线内支持CNN/MLP、生成式策略、大型视觉-语言-动作(VLA)模型的在线模仿学习或强化学习。仿真与真实世界实验结果表明,USER可支撑多机器人协同、异构机械臂部署、大模型云边协同训练,以及长周期异步训练,为真实世界在线数据来源：《RLinf-USER:AUnifiedandExtensibleSystemforReal-WorldOnlinePolicyLearninginEmbodiedAI》6 《具身智能科技前瞻探索》第2期 南加州大学、英伟达等机构的研究团队提出了一个名为yo的人形机器人基础模型,通过先在人类视频上预训练、再在少量机器人数据上后训练的分阶段方法,有效解决了异构数据分布不匹配问题,最终在真实世界任务中相比使用超过10倍数据训练的基线模型,成功率提升超40%主要贡献:1:提出分阶段差异化训练范式:解耦人类视频预训练与机器人数据后训练流程,规避人机动作分布差异带来的协同训练低效问题,显著提升异构数据的利用效率。2:优化动作专家模块核心架构:采用多模态扩散Transformer(MM-DiT)结构,实现视觉语言特征与动作特征的高效融合,提升人形机器人关节空间的精准控制能力。3:完善真机落地配套工程方案:优化单操作员全身遥操作流程,引入训练时实时动作分块机制,缓解大模型推理延迟带来的运动抖动问题,提升真机4:开源全栈研发生态体系:将开放数据处理训练管线、预训练模型权重与实时推理引擎,为行业提供可复用的人形机器人基础模型研发底座。影响展望:1:对具身智能学术研究前沿的影响:本研究为人形机器人基础模型的训练范式提供了新的实证思路,证实了高质量人类第一视角视频预训练叠加少量机器人领域数据微调的路径有效性,补充了现有大规模异构数据协同训练方案的不足,为学界后续探索跨躯体知识迁移、低数据量模型训练等方向,提供了可参考的实验依据与技术框架。2:对具身智能产业界发展的参考意义:本研究验证了人形机器人通用基础模型低成本训练的可行性,降低了对高成本机器人遥操作数据的依赖。其开源全栈方案可为厂商研发人形机器人运动-操作一体化模型提供可复用的技术框架,优化后的遥操作与实时控制方案,也可直接应用于人形机器人的真机落地与调试环节,缩短产品研发周期。8 《具身智能科技前瞻探索》第2期原文摘要:我们提出了y0(psi-zero)一款用于解决人形机器人运动-操作一体化高难度任务的开源基础模型。现有方法通常通过在大规模、多样化的人类与人形机器人数据上协同训练来解决这一核心问题,但我们认为,由于人类与人形机器人之间存在本质的运动学与动作差异,该策略存在固有缺陷。因此,即便投入了海量数据,现有方案的数据利用效率与模型表现仍不尽如人意。为应对这一挑战,y0对学习过程进行解耦,以最大化异构数据源的利用价值。具体而言,我们提出了一套设置差异化学习目标的分阶数据来源：《Ψ0:AnOpenFoundationModelTowardsUniversalHumanoidLoco-Manipulation》(VLM)主干进行自回归预训练,以获取具备泛化能力的视觉-动作表征;随后,基于高质量人形机器人数据,对基于流模型的动作专家模块进行后训练,以学习精准的机器人关节控制能力。我们的研究进一步发现了一套视角操作数据预训练、再基于领域专属的真实世界人形机器人运动轨迹后训练的路径,能够实现更优的模型表现。大量真实世界实验结果表明,0数据来源：《Ψ0:AnOpenFoundationModelTowardsUniversalHumanoidLoco-Manipulation》9 《具身智能科技前瞻探索》第2期ManipulationNet 能力规模化评测。主要贡献:1:构建了平衡三大核心诉求的全球基准基础设施:创新采用集中式审核+分布式执行的混合架构,突破了现有评测方案真实性、可验证性、可及性瓶颈,实现了全球范围可复现的真实世界机器人操作评测。2:设计了分层互补的双赛道评测体系:设置物理技能与具身推理两大赛道,既覆盖底层物理交互能力,也验证高层多模态推理能力,可精准定位技术短板,支3:建立了全流程可验证的评测机制:通过一次性提交码、实时哈希校验、中心化人工审核三重保障,杜绝结果篡改,确保跨机构、跨地区评测结果的可比性与4:打造了社区化可演进的长期评测体系:由全球机构组成的委员会治理,可随技术发展持续扩展任务体系,为行业建立了可长期追踪的机器人操作能力演进记影响展望:1:对具身智能学术研究前沿的影响:为机器人操作领域提供了统一的标准化评测框架,缓解了过往研究因评测体系不统一导致的成果碎片化、可比性不足的问题。双赛道的拆解式设计为学界提供了清晰的技术迭代方向,分布式的基础设施降低了全球研究团队的参与门槛,可推动领域形成统一的技术进展评估标尺,为后续学术研究提供了可复用的评测底座。2:对具身智能产业界发展的参考意义:本研究建立的标准化评测体系,可为产业界提供机器人操作能力的量化评估依据,帮助厂商精准定位产品技术短板,优化研发迭代方向。统一的评测标尺也可为下游工业、服务业客户的产品选型提供客观参考,同时其标准化任务设计可贴合真实商用场景的核心需求,能够助力缩小实验室技术与商业化落地之间的差距。 《具身智能科技前瞻探索》第2期ManipulationNet原文摘要:灵巧操作能力让机器人能够有目的地改变物理世界,使其在非结构化环境中从被动观察者转变为主动执行者,这一能力也是物理人工智能的基石。尽管数十年来机器人在硬件、感知、控制与学习领域作系统的发展仍呈现碎片化状态。该领域的核心挑战,在于如何协调真实世界的环境差异性,与严谨科学评测所需的结果可复现性、真实性之间的矛盾。为解决这一问题,我们提出了一软件客户端,实现分布式的性能评测。作为一套可长期运行、可理赛道,测试高层推理与多模态对齐能力。这一设计能够推动真实世界机器人操作能力与技能形成系统化的迭代体系,为通用机器人操作技术的发展铺平道路。通过实现规模化、可对比的真实世界机数据来源：ManipulationNet项目主页数据来源：ManipulationNet项目主页《具身智能科技前瞻探索》第2期 4.1《具身智能科技前瞻探索》第2期《LIFELONG《LIFELONGEMBODIEDNAVIGATIONLEARNING》2026/3/6习框架,要求智能体在多场景、多指令风格的序列导航任务中持续学习并保留已有知识,实现高效终身学习。主要贡献:1:定义全新任务范式并搭建配套基准:首次正式提出终身具身导航学习(LENL)任务,明确任务规则与评估标准,搭建含18个场景、3类指令类型的终身导航基准,为领域研究提供标准化训练与评估环境。2:提出新的持续学习基础架构:设计uni-walker终身导航框架与解码器扩展LORA(DE-LORA)结构,将导航知识解耦为任务共享与专属组件,为持续学习提供可扩展的轻量化基础架构。3:提出任务感知知识聚合(TAKA)策略:实现任务ID无关的推理阶段专家自适应激活,大幅提升模型在未见场景的泛化能力。实验验证了uni-walker在LENL任务中实现了SOTA性能,有效缓解灾难性遗忘,同时具影响展望:1:对具身智能学术研究前沿的影响:研究明确了终身具身导航学习的任务范式与评估规则,搭建了配套的标准化测试基准,为领域内同方向研究提供了统一的对比基础。其提出的知识解耦与动态专家激活思路,为缓解大模型驱动具身智能体的灾难性遗忘问题提供了新的技术路径,丰富了通2:对具身智能产业界发展的参考意义:本文提出的uni-walker框架,在仅增加极低参数量的前提下,实现了导航任务的持续学习与抗遗忘能力,为家用服务机器人、室内巡检机器人等实体产品的多场景适配、持续功能迭代提供了轻量化的技术参考。其任务无关的推理适配机制,也有助于降低具身智能体落地新场景时的适配成本与数据需求,为产业端技术落地提《具身智能科技前瞻探索》第2期 4.2《具身智能科技前瞻探索》第2期原文摘要:基于大语言模型的具身导航智能体在单项任务上已展现出优异性能,但在持续习得新导航技能的过程中易出现灾难性遗忘问题,原文摘要:基于大语言模型的具身导航智能体在单项任务上已展现出优异性能,但在持续习得新导航技能的过程中易出现灾难性遗忘问题,能力存在明显短板。本文将这一挑战正式定义为终身具身导航学习用户指令类型的导航任务的同时,保留此前习得的知识。为解决该问题,本文提出uni-walker--一套终身具身导航学习框架,通过解码器扩展低秩适配(DE-LORA)模块,将导航知识解耦为任务共略与专家协同激活策略,以推动跨导航任务的共享知识传递与迭代优化;为学习专属知识,本文提出了专家子空间正交约束,以及导航专属思维链推理机制,以捕捉任务专属知识、提升智能体对不同数据来源：LIFELONGEMBODIEDNAVIGATIONLEARNING 《具身智能科技前瞻探索》第2期 的零样本策略迁移难题,实现了单模型跨多类未见过的灵巧手硬件的高成功率抓取。主要贡献:1:提出形态学对齐的统一表示体系:基于人体解剖学构建跨手型语义对齐的图结构,定义三轴正交生物力学运动基元,实现了不同形态灵巧手的感知与控制语义的无损对齐。2:设计MAGCN策略主干网络:以图卷积为基础搭建策略模型,通过分层物理属性注入机制,将手型URDF中的物理约束融入特征学习,自适应适配不同硬件的运动学限制。3:构建端到端零样本学习框架:通过固定手型专属映射直接输出物理关节指令,摒弃可训练的重定向模块,避免了中间动作目标带来的运动学不可4:完成多维度实验验证与开源:通过仿真与多平台真机实验验证了模型零样本泛化能力,将开源代码与数据集,为领域研究提供可复用的基础工具。影响展望:1:对具身智能学术研究前沿的影响:为跨本体灵巧抓取领域提供了形态学语义对齐的新范式,补充了现有基于中间动作重定向方法的固有缺陷,其解剖学对齐的图结构设计,为后续跨硬件通用机器人操作策略研究提供了新的技术思路。同时,标准化的实验验证流程与开源方案,也为领域内2:对具身智能产业界发展的参考意义:本研究提出的零样本跨本体抓取方案,可显著降低新型灵巧手硬件的策略适配成本,无需针对新手型开展大规模数据采集与模型重训,能够缩短灵巧手产品的研发与落地周期。同时,统一的策略框架也可为工业、服务机器人的多机型灵巧操作方案开发,提供可复用的底层技术路径,降低规模化商用的适配门槛。 《具身智能科技前瞻探索》第2期原文摘要:为适配日益多样化的灵巧手硬件,开发无需重复重训可实现零样本跨躯体抓取的策略至关重要。受限于不同灵巧手之间异构的运动学特性与物理约束,跨躯体对齐始终是行业难题。现有方法通常先预测中间运动标躯体的运动学约束,阻碍了在不同手型间的零样本泛化。为突破上述取技能、实现向未见过手型零样本迁移的策略。我们首先提出了形态学点,并为每个节点配备三轴正交运动基元,实现了不同形态结构之间的结构与语义对齐。基于该图表示,我们设计了形态学对齐图卷积网络机制,可将手型专属的物理约束融合至图特征中,使模型能自适应补偿法提升了59.5%。真实世界实验进一步在LEAP、InspireRev02三个机器人平台上对策略进行了验证,其在未见过的物体上实现了82%的平均抓取成功率。数据来源：《DexGrasp-数据来源：《DexGrasp-Zero:AMorphology-AlignedPolicyforZero-ShotCross-EmbodimentDexterousGrasping》 《具身智能科技前瞻探索》第2期 清华大学与星海图提出Fast-WAM轻量化世界动作模型架构,通过解耦训练阶段视频联合训练与推理阶段未来显式生成的耦合关系,验证了世界动作模型的核心价值来自训练阶段的世界表征学习,而非测试时的未来想象,在保持主流SOTA模型性能的同时,将推理速度提升超4倍。主要贡献:1:厘清WAM性能增益的核心来源:通过可控对照实验,核心价值来自训练阶段的视频联合训练,而非测试时的未来显式生成,为WAM架构设计提供了新的核心认知。2:提出Fast-WAM轻量化模型架构:基Transformer架构,训练阶段保留视频协同训练优化世界表征,推理阶段跳过未来视频生成,单前向传播即可输出动作,大幅降低推理开销。3:实现性能与部署效率的兼顾:无需具身预训练即可在主流仿真与真机任务中比肩SOTA模型,推理延迟仅190ms,较现有WAM方案提速超4倍,适配机器人实时控制需求。影响展望:1:对具身智能学术研究前沿的影响:厘清了世界动作模型性能增益的核心来源,修正了过往WAM设计中对测试时未来显式生成的路径依赖,为具身智能世界模型的架构轻量化设计提供了新的研究思路。同时,其构建的标准化对照验证体系,也为后续WAM相关研究的变量拆解与横向对比,2:对具身智能产业界