北京人形正式開源XR-1具身大模型、RoboMIND 2.0數(shù)據(jù)集及ArtVIP虛擬資產(chǎn)庫。

作者 |江宇

編輯 |漠影

機(jī)器人前瞻12月19日報道，今年4月，北京人形機(jī)器人創(chuàng)新中心（以下簡稱“北京人形”）的“具身天工Ultra”機(jī)器人憑借自主完賽，拿下了全球首個人形機(jī)器人半程馬拉松冠軍，成為“最能跑”的人形機(jī)器人。而在不久后的8月，具身天工Ultra和天軼2.0再次憑借全自主的方式斬獲2金6銀2銅，證明了機(jī)器人不僅能跑，還能“干活”。

可以看出，北京人形真正聚焦的目標(biāo)，一直在于讓機(jī)器人在現(xiàn)實場景里做到“能干活、會干活”。

在北京人形機(jī)器人創(chuàng)新中心，具身天工機(jī)器人已經(jīng)以全自主、無遙操的方式上崗執(zhí)行導(dǎo)覽任務(wù)，并依靠北京人形打造的“慧思開物”平臺實現(xiàn)了導(dǎo)覽過程中的多機(jī)協(xié)同和全局調(diào)度，整個過程無需人工干預(yù)。

如今，圍繞讓機(jī)器人“能干活、會干活”這一目標(biāo)，更底層的模型與數(shù)據(jù)訓(xùn)練能力也正式對外開源。12月18日，北京人形宣布XR-1具身VLA模型，以及配套的數(shù)據(jù)基礎(chǔ)RoboMIND 2.0、ArtVIP最新版正式開源，XR-1 模型是目前首個且唯一一個通過具身智能國標(biāo)多維度測試的VLA模型。

開源XR-1的背后，北京人形正在努力解答一個核心問題：為什么機(jī)器人看得懂卻做不好？

為此，機(jī)器人前瞻采訪了XR-1跨本體VLA模型研發(fā)負(fù)責(zé)人伍堃，從模型設(shè)計、訓(xùn)練體系到真實落地三個層面，復(fù)原XR-1走出實驗室、走向?qū)嵏傻穆窂健?/p>

01.

從“看得見”到“做得對”

XR-1補(bǔ)上機(jī)器人最難的一課

當(dāng)AI能寫詩、能生成視頻，機(jī)器人卻連“拿穩(wěn)一杯水”都難？核心問題在于視覺感知與動作執(zhí)行的割裂。

很多傳統(tǒng)機(jī)器人更像“死記硬背的學(xué)徒”，很難將高維度的圖像輸入映射到低緯度的機(jī)器人控制信號，只要物體位置變了、角度變了、環(huán)境多了干擾，就容易抓不穩(wěn)、捏碎、甚至直接失敗。

為修復(fù)這道斷層，北京人形團(tuán)隊獨創(chuàng)并研發(fā)了Unified Vision-Motion Codes（UVMC）多模態(tài)視動統(tǒng)一表征。

它可以被理解成機(jī)器人的“拼音系統(tǒng)”：先把視覺信息與動作經(jīng)驗壓縮成可復(fù)用的“動作代碼”，通過模型，從看到的畫面中獲得一個初步的動作趨勢信號，類似于條件反射，再進(jìn)一步生成更加精確的底層機(jī)器人控制信號，使得機(jī)器人做到知行合一。

這樣即便遇到?jīng)]見過的場景，機(jī)器人也能夠以更接近“條件反射”地給出合理動作。比如當(dāng)機(jī)器人看到杯子傾倒，它會自動生成對應(yīng)的“動作代碼”，再進(jìn)一步預(yù)測關(guān)節(jié)角度與3D坐標(biāo)，完成扶正動作。

UVMC之外，XR-1的“實干能力”由三項特性順勢撐起來。

第一是跨數(shù)據(jù)源學(xué)習(xí)：面對真機(jī)數(shù)據(jù)采集成本高、量級有限的問題，XR-1不僅學(xué)習(xí)機(jī)器人數(shù)據(jù)，還能讀懂互聯(lián)網(wǎng)上海量的人類第一視角視頻，讓學(xué)習(xí)素材呈指數(shù)級增長。

第二是跨模態(tài)對齊：借助“拼音系統(tǒng)”（UVMC）將視覺信息與動作關(guān)節(jié)配對，讓模型建立“畫面—動作”的對應(yīng)關(guān)系，把“知”更穩(wěn)定地轉(zhuǎn)成“行”。

第三是跨本體控制：通過可變維度輸入與去本體化抽象表征提升遷移能力，使同一個“大腦”能適配不同構(gòu)型機(jī)器人。

目前，XR-1已在至少6種完全不同的機(jī)器人上完成測試并實現(xiàn)適配。

▲行業(yè)內(nèi)首個連續(xù)開關(guān)通行5扇門

此外，為了把這套能力練成可遷移的“基本功”，XR-1還采用三段式訓(xùn)練范式。

先做視動統(tǒng)一表征訓(xùn)練，融合機(jī)器人數(shù)據(jù)與互聯(lián)網(wǎng)視頻，形成可調(diào)用的“動作字典”，再進(jìn)行跨本體數(shù)據(jù)強(qiáng)化訓(xùn)練，強(qiáng)化對通用物理規(guī)律與動作模式的掌握。最后，針對具體場景做少量微調(diào)，把通用能力運用到真實的任務(wù)場景中。

性能對比上，XR-1相較國際先進(jìn)VLA模型在多類復(fù)雜任務(wù)中成功率領(lǐng)先，部分高難度任務(wù)可達(dá)到其他頭部模型兩倍水平。

這套從感知到動作的模型路徑，使機(jī)器人在面對環(huán)境變化時不再頻繁“失手”，而是能夠維持任務(wù)連續(xù)性，為真實場景中的長期運行創(chuàng)造條件。

02.

實戰(zhàn)加上仿真

把機(jī)器人“訓(xùn)練營”搭起來

讓機(jī)器人“干好活”不只靠模型，更離不開大量高質(zhì)量、可控的數(shù)據(jù)。在這套開源組合里，XR-1負(fù)責(zé)“學(xué)會怎么做”，RoboMIND 2.0是XR-1的重要數(shù)據(jù)來源，提供海量真實機(jī)器人操作數(shù)據(jù)與仿真模擬數(shù)據(jù)。ArtVIP則是北京人形開源的仿真資產(chǎn)庫，為RoboMIND補(bǔ)齊高質(zhì)量仿真數(shù)據(jù)與可交互環(huán)境，把“虛擬特訓(xùn)”和“真實實戰(zhàn)”接到一起。

具體到RoboMIND 2.0本身，相比1.0版本，它在數(shù)據(jù)規(guī)模和類型上都做了擴(kuò)展。

多本體雙臂操作軌跡從10+萬條升級到30+萬條，覆蓋具身天工等6種機(jī)器人本體，多場景多任務(wù)從5大場景、479個任務(wù)、38種技能，擴(kuò)展到10+場景、739項任務(wù)、129種技能。

▲RoboMIND數(shù)據(jù)集包含的部分任務(wù)樣例

最關(guān)鍵的是，RoboMIND2.0新增了1.2萬條帶觸覺的真機(jī)操作數(shù)據(jù)，這部分觸覺數(shù)據(jù)的引入可讓模型成功率平均提升約30%。

而ArtVIP也并非“泛泛的仿真素材包”，而是面向復(fù)雜鉸接物體的高精度虛擬資產(chǎn)庫，覆蓋26類共206種高精度可動物件（如櫥柜、烤箱、折疊椅、抽屜、電風(fēng)扇、剪刀等），在還原視覺外觀的同時，以高保真方式復(fù)現(xiàn)物理特性。

北京人形也一并開源了6個支持全場景交互的虛擬機(jī)器人訓(xùn)練場（包含中式客廳、廚房、臥室、起居室等常見環(huán)境），讓模型能在遵循物理法則的“數(shù)字孿生演練場”里反復(fù)練習(xí)復(fù)雜物體的靈巧操作，從而顯著降低真機(jī)采集與試錯成本。

RoboMIND 2.0和ArtVIP在一定程度上緩解了具身智能在訓(xùn)練中高質(zhì)量數(shù)據(jù)稀缺的問題：一邊用真實軌跡提供動作邊界與細(xì)節(jié)，一邊用高保真虛擬資產(chǎn)擴(kuò)展覆蓋面，讓XR-1的訓(xùn)練不再被“少量昂貴樣本”鎖死，而是更接近可規(guī)模化、可組合的數(shù)據(jù)供給。

03.

從實驗室走向應(yīng)用現(xiàn)場

XR-1的“實干表現(xiàn)”開始顯露

技術(shù)的價值終要靠應(yīng)用檢驗，XR-1及其配套體系已在多個真實場景中完成“實干”試煉。

在北京昌平的福田康明斯工廠，具身天工機(jī)器人和天軼機(jī)器人被應(yīng)用到物料搬運線上。輪式底盤的天軼機(jī)器人滑行到物料箱前后，機(jī)械臂能夠穩(wěn)定扣住箱體兩側(cè)，再把箱子放入指定層架，整套動作連貫順暢。

▲天軼機(jī)器人正在搬運物料箱

雙足底盤的具身天工則更考驗穩(wěn)定性，把箱子往高處放置時重心會變化，機(jī)器人也同時兼顧下肢電機(jī)扭矩與機(jī)械臂關(guān)節(jié)的靈活控制。

▲具身天工機(jī)器人正在搬運物料箱

面向更高風(fēng)險、精細(xì)化要求更強(qiáng)的場景，北京人形也把具身能力推進(jìn)到電力巡檢與檢修環(huán)節(jié)，通過與中國電科院的合作，北京人形以機(jī)器人代替人類進(jìn)行高危電力巡檢工作。

在李寧運動科學(xué)實驗室，具身天工機(jī)器人也能穿上李寧跑鞋與運動服飾完成奔跑，進(jìn)行長時間高強(qiáng)度的運動裝備測試，并實時反饋裝備數(shù)據(jù)信息。

▲具身天工機(jī)器人穿上跑鞋與運動服飾正在進(jìn)行奔跑測試

開源后，這些經(jīng)過實戰(zhàn)驗證的技術(shù)方案將對外開放，助力企業(yè)、科研機(jī)構(gòu)、高?？焖龠m配國標(biāo)要求，避免重復(fù)造輪子，加速全行業(yè)機(jī)器人實用化進(jìn)程。

從這些落地的應(yīng)用案例可以看到，XR-1所具備的可遷移、可復(fù)用的能力，已經(jīng)為機(jī)器人行業(yè)的規(guī)?；渴鹛峁┝丝尚行詷颖狙菔?。

04.

結(jié)語：開源給行業(yè)搭橋

讓機(jī)器人能干活、更好用

當(dāng)具身智能進(jìn)入更復(fù)雜、更多樣的真實場景，機(jī)器人能否在真實環(huán)境中把活持續(xù)干下來，并在可接受的成本下反復(fù)復(fù)用，成為新的衡量維度。

開源方案降低了起點門檻，也縮短了試錯路徑。對于正處在走向規(guī)?；耙沟木呱碇悄苄袠I(yè)而言，北京人形這類圍繞具身智能全棧技術(shù)的開源方式，能讓更多人更快把機(jī)器人用起來，也讓“能干活、會干活”的機(jī)器人更快來到所有人身邊。