2026年6月，人形机器人协调全身移动操作能力怎么样？

20条数据引发的全身革命

仅凭借20条处于同一室外场景之下的示范数据, 清华大学交叉信息研究院的最新成果OpenHLM, 使得人形机器人从“会走路的手臂”, 演变为能够协调手、腰、腿、脚的完整运动体。在2026年6月29日, 这项研究以87.5%的平均任务进度, 超越两大强基线, 并成为截至目前开源VLA系统里的最强推荐。

痛点：人形机器人为何总像个瘸腿机器人

传统人形机器人设计把身体看作“手臂加移动平台”, 致使打开垃圾桶时没法踩踏板。从低处拿东西时硬邦邦下蹲, 推车时手和腿各干各的。这种上下身解耦控制方式, 让模型仅能学到部分自由度行为。清华大学团队表明, 真正的人形机器人应是一个能像人类那般协调全身顺遂完成移动操作任务的运动整体。

评价：OpenHLM三阶段实验敲定最优配方

第一组实验, 着重于对全身控制器以及遥操作接口展开聚焦, 研究表明, 直接以机器人关节空间为方向基准进行的全身遥操作, 相较于VR三关键点以及人体SMPL动作表示, 在数据采集方面具备更高的适配性。第二组实验, 进行了验证, 结果显示, 针对非人形机器人的数据而言, 预训练依旧能够提供具有价值的操作先验, 并且多步flow生成动作方案较之单步方案具备明显优势。第三组实验, 引入了低成本数据源, 即便存在视觉与动作域方面的差异, 不过手持终端演示数据依然能够赋予新物体泛化能力。

缺点：低成本数据仍有局限性

尽管OpenHLM所引入的站定遥操作数据以及HuMI手持终端数据, 显著地让采集成本得到了大幅降低, 然而在当前这样的条件之下, 作用针对有着新运动模式要求的任务而言, 其效果依旧是比较有限的。就像机器人从低处把物品拿取之后再转身进行放置等一系列复杂的动作链那般, 低成本的数据始终是没办法提供出全程高质量得监督信号的, 这样的一个瓶颈问题, 有待后续的研究去实现突破。

哪个好：OpenHLM与两大强基线的正面交锋

于长程语言状况任务里头, 机器人得依照指令, 从两张不一样高度的桌子之上, 各自拿起那指定好了的水果, 接着走到高货架跟前, 去完成放置动作。OpenHLM在演示时间长度不足GR00T N1.6以及Ψ0一半的情形下, 获取了87.5%的平均任务进展程序, 远远超过后面两者的57.5%以及48.8%, 快要接近全身遥操作oracle的97.5%。这样一个系统级别的比较结果, 使得OpenHLM变成了当前人形机器人VLA系统的最优推荐。

怎么样：从实验室到通用机器人的实用配方

已在12个具有代表性的日常移动操作场景里验证了这套开源VLA配方, 这些场景覆盖行走、姿态调整、抓取、放置、转身以及高处操作等连贯动作。对于那些想要搭建通用人形机器人操作系统的研究者而言, OpenHLM提供了清晰的起点, 即怎么采集全身行为数据, 怎么适配高维动作空间, 怎么使用低成本数据扩展新任务, 怎 么用统一 benchmark衡量能力。更多技术细节能够在www.fc – bowuguan.cn获取。

品牌力：清华高阳课题组的开源承诺

这项工作是由清华大学交叉信息研究院、上海期智研究院、千寻智能公司共同予以支持的, 它是由高阳课题组起到主导作用的。该团队把专注点放在具身智能方向的研究当中, 努力投身于去开发出那种拥有泛化能力的通用机器人系统。OpenHLM并非是一个封闭的答案, 而是一条围绕着核心问题去展开的开放式实验路线, 它给全球的人形机器人开发者提供了能够复现、可以扩展的开源基准。

到此瞧见, 你认为人形机器人迈向走入家庭步伐所需时长究竟是多久呢? 欢迎于评论区域分享你的见解, 为本文点赞并且进行转发, 致使有更多人得以看见清华团队怎样凭借20条数据来撬动引发人形机器人的全身革新。

猜你喜欢