你讓家里的服務(wù)機(jī)器人給陽臺(tái)的花澆水，特意囑咐“從左到右，每個(gè)花盆上方1-5厘米處澆”。

結(jié)果機(jī)器人要么把水澆到花盆外，要么離花太近濺一身泥這場(chǎng)景是不是很熟悉？家庭服務(wù)機(jī)器人走進(jìn)生活的最大攔路虎，其實(shí)是“看不懂”真實(shí)空間里的各種規(guī)矩。

日常生活里的空間要求遠(yuǎn)比想象中復(fù)雜。

就拿澆花來說，“從左到右”是定性的位置約束，“1-5厘米”是定量的距離限制，機(jī)器人得同時(shí)搞定這兩件事才能不出錯(cuò)。

家庭環(huán)境本來就亂。

遙控器可能壓在雜志下，拖鞋東一只西一只，機(jī)器人面對(duì)的不是實(shí)驗(yàn)室里整齊的貨架，而是隨時(shí)變化的“隨機(jī)場(chǎng)景”。

傳統(tǒng)模型直接輸出（x,y,z）坐標(biāo)，就像蒙著眼睛扔飛鏢，訓(xùn)練難、精度低，更別提理解“上方”“旁邊”這些模糊但常用的空間詞了。

正是這些痛點(diǎn)，催生出了RoboTracer。

它的核心任務(wù)很明確，生成帶空間約束的3D位置序列，也就是“空間軌跡”，讓機(jī)器人知道每一步該往哪動(dòng)、動(dòng)多遠(yuǎn)。

RoboTracer的“三維智慧”，如何讓機(jī)器人“看懂”真實(shí)空間

RoboTracer的聰明之處，先從“看”開始。

本來想直接讓模型學(xué)3D坐標(biāo)，后來發(fā)現(xiàn)分開處理更高效，先算圖像上的像素位置（u,v），再結(jié)合深度信息（d），最后用相機(jī)參數(shù)換算成真實(shí)世界的3D坐標(biāo)。

這種解耦設(shè)計(jì)讓訓(xùn)練難度降了不少，精度反而提上去了。

光看懂還不夠，還得有“尺度感”。

你說“5厘米”，機(jī)器人得知道這到底多長(zhǎng)。

RoboTracer里有個(gè)“尺度解碼器”，專門把抽象的特征轉(zhuǎn)換成具體數(shù)值。

比如看到一個(gè)杯子，它能估算出高度，再結(jié)合指令里的“5厘米”，就知道該離多遠(yuǎn)操作。

這種對(duì)“絕對(duì)尺度”的理解，是之前模型最缺的能力。

訓(xùn)練方法也有講究。

團(tuán)隊(duì)分了兩步走，先通過SFT（監(jiān)督微調(diào)）讓模型打好基礎(chǔ)，學(xué)會(huì)單步的空間理解，比如“哪個(gè)物體在左邊”“距離多遠(yuǎn)”，再用RFT（強(qiáng)化微調(diào)）加過程獎(jiǎng)勵(lì)，監(jiān)督中間每一步的推理質(zhì)量。

就像教孩子搭積木，不光看結(jié)果對(duì)不對(duì)，還要糾正每一步的擺放位置，這樣復(fù)雜任務(wù)也能穩(wěn)穩(wěn)完成。

實(shí)際測(cè)試?yán)铮琑oboTracer的表現(xiàn)挺亮眼。

在空間理解相關(guān)任務(wù)里，SFT訓(xùn)練后平均成功率接近八成，刷新了現(xiàn)有水平，加上RFT后，在專門的TraceSpatial-Bench評(píng)測(cè)中，準(zhǔn)確率比Gemini-2.5-Pro高出36%。

最直觀的是對(duì)比視頻，別的模型生成的軌跡要么飄在半空，要么撞到花盆，而RoboTracer規(guī)劃的路線能精準(zhǔn)停在花盆上方5厘米，從左到右挨個(gè)澆過去，穩(wěn)得像老手。

更重要的是它“開箱即用”。

不管是UR5機(jī)械臂還是G1仿人機(jī)器人，都能直接集成這個(gè)模型。

在開放世界測(cè)試?yán)?，只有RoboTracer能完成“先把書放到書架第三層，再把杯子放在書旁邊10厘米處”這種多步空間任務(wù)。

家庭服務(wù)機(jī)器人市場(chǎng)需求一直很大，但技術(shù)總差臨門一腳。

這次RoboTracer的突破，不是簡(jiǎn)單提升性能，而是找到了一種讓機(jī)器人“理解真實(shí)空間”的新范式。

未來它不光能澆花、收納，說不定還能幫老人取藥、給孩子整理書包只要涉及空間操作，它都有可能派上用場(chǎng)。

當(dāng)然，這只是開始。

模型還需要在更多復(fù)雜場(chǎng)景里打磨，比如應(yīng)對(duì)光線變化、透明物體這些難題。

但至少現(xiàn)在，我們看到了服務(wù)機(jī)器人真正走進(jìn)家庭的希望。

畢竟，能“看懂”空間的機(jī)器人，才算是真正有了“動(dòng)手能力”。