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

機器人前瞻12月19日報道，今年4月，北京人形機器人創(chuàng)新中心（以下簡稱“北京人形”）的“具身天工Ultra”機器人憑借自主完賽，拿下了全球首個人形機器人半程馬拉松冠軍，成為“最能跑”的人形機器人。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，一直在于讓機器人在現(xiàn)實場景里做到“能干活、會干活”。

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

如今，圍繞讓機器人“能干活、會干活”這一目標，更底層的模型與數(shù)據(jù)訓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：為什么機器人看得懂卻做不好？

為此，機器人前瞻采訪了XR-1跨本體VLA模型研發(fā)負責人伍堃，從模型設計、訓練體系到真實落地三個層面，復原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補上機器人最難的一課

當AI能寫詩、能生成視頻，機器人卻連“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)機器人更像“死記硬背的學徒”，很難將高維度的圖像輸入映射到低緯度的機器人控制信號，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。

為修復這道斷層，北京人形團隊獨創(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，再進一步生成更加精確的底層機器人控制信號，使得機器人做到知行合一。

這樣即便遇到?jīng)]見過的場景，機器人也能夠以更接近“條件反射”地給出合理動作。比如當機器人看到杯子傾倒，它會自動生成對應的“動作代碼”，再進一步預測關節(jié)角度與3D坐標，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)源學習：面對真機數(shù)據(jù)采集成本高、量級有限的問題，XR-1不僅學習機器人數(shù)據(jù)，還能讀懂互聯(lián)網(wǎng)上海量的人類第一視角視頻，讓學習素材呈指數(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節(jié)配對，讓模型建立“畫面—動作”的對應關系，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)型機器人。

目前，XR-1已在至少6種完全不同的機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還采用三段式訓練范式。

先做視動統(tǒng)一表征訓練，融合機器人數(shù)據(jù)與互聯(lián)網(wǎng)視頻，形成可調(diào)用的“動作字典”，再進行跨本體數(shù)據(jù)強化訓練，強化對通用物理規(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場景中。

性能對比上，XR-1相較國際先進VLA模型在多類復雜任務中成功率領先，部分高難度任務可達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

把機器人“訓練營”搭起來

讓機器人“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負責“學會怎么做”，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補齊高質(zhì)量仿真數(shù)據(jù)與可交互環(huán)境，把“虛擬特訓”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種機器人本體，多場景多任務從5大場景、479個任務、38種技能，擴展到10+場景、739項任務、129種技能。

▲RoboMIND數(shù)據(jù)集包含的部分任務樣例

最關鍵的是，RoboMIND2.0新增了1.2萬條帶觸覺的真機操作數(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、電風扇、剪刀等），在還原視覺外觀的同時，以高保真方式復現(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器人訓練場（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”里反復練習復雜物體的靈巧操作，從而顯著降低真機采集與試錯成本。

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節(jié)，一邊用高保真虛擬資產(chǎn)擴展覆蓋面，讓XR-1的訓練不再被“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.

從實驗室走向應用現(xiàn)場

XR-1的“實干表現(xiàn)”開始顯露

技術的價值終要靠應用檢驗，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，具身天工機器人和天軼機器人被應用到物料搬運線上。輪式底盤的天軼機器人滑行到物料箱前后，機械臂能夠穩(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，機器人也同時兼顧下肢電機扭矩與機械臂關節(jié)的靈活控制。

▲具身天工機器人正在搬運物料箱

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

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

▲具身天工機器人穿上跑鞋與運動服飾正在進行奔跑測試

開源后，這些經(jīng)過實戰(zhàn)驗證的技術方案將對外開放，助力企業(yè)、科研機構(gòu)、高?？焖龠m配國標要求，避免重復造輪子，加速全行業(yè)機器人實用化進程。

從這些落地的應用案例可以看到，XR-1所具備的可遷移、可復用的能力，已經(jīng)為機器人行業(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

讓機器人能干活、更好用

當具身智能進入更復雜、更多樣的真實場景，機器人能否在真實環(huán)境中把活持續(xù)干下來，并在可接受的成本下反復復用，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的開源方式，能讓更多人更快把機器人用起來，也讓“能干活、會干活”的機器人更快來到所有人身邊。