來源較早收集於 15h

一套導航模型零樣本適配四種機器人

閱讀原文: 量子位
#robotics#embodied-ai#simulation

跨四種機器人的零樣本轉移,可能是可重複使用具身 AI 導航的重要進展。

30 秒速覽

有什麼變化

超過 2,000 個真實世界場景被轉移至模擬環境。

為什麼重要

跨機器人本體的導航能力可降低模型部署到新平台時的資料與工程成本。若能在模擬環境以外獲得驗證,可能加速機器人軟體標準化。

下一步行動

在你的模擬器中使用保留場景重現跨本體測試,並分別回報各機器人平台的成功率。

誰應關注:Researchers & Academics

關鍵要點

  • •超過 2,000 個真實世界場景被轉移至模擬環境。
  • •據報同一導航模型可零樣本適配四種機器人本體。
  • •這項方法瞄準可泛化的 Physical AI 與具身導航。

深度解析

本篇為 AI 生成分析,非原文內容。

增強重點摘要

  • •擎羽(Qingyu)的核心技術路徑強調「本體無關性」(Embodiment-Agnostic),旨在解決具身智能在不同硬體平台間的遷移障礙。
  • •該公司開發了一套名為「柔性本體控制架構」的系統,允許同一套大模型策略在輪式、四足及多自由度機械臂之間進行零樣本(Zero-shot)遷移。
  • •擎羽的研發團隊成員多來自頂尖機器人實驗室,並在多模態大模型與強化學習(RL)的結合上擁有專利技術,特別是在Sim-to-Real(模擬到現實)的數據對齊方面。
  • •與傳統人形機器人公司不同,擎羽採取「軟硬解耦」策略,將機器人本體視為可替換的執行器,而非智能的核心載體。
  • •擎羽已與數家工業自動化廠商達成合作,將其通用智能算法部署於非人形的特種作業機器人中,以驗證其跨形態泛化能力。

競品分析

核心形態
擎羽 (Qingyu)
柔性/多形態 (本體無關)
Tesla Optimus
人形 (Humanoid)
Figure AI
人形 (Humanoid)
智能架構
擎羽 (Qingyu)
跨形態通用基礎模型
Tesla Optimus
端到端神經網絡 (人形專用)
Figure AI
端到端神經網絡 (人形專用)
遷移能力
擎羽 (Qingyu)
高 (跨硬體平台)
Tesla Optimus
低 (專注於人形)
Figure AI
低 (專注於人形)
商業模式
擎羽 (Qingyu)
軟體授權/算法平台
Tesla Optimus
硬體銷售/機器人即服務
Figure AI
硬體銷售/機器人即服務

技術深入

  • 採用基於Transformer的具身基礎模型,將不同機器人的本體狀態(Proprioception)編碼為統一的潛在空間(Latent Space)。
  • 利用大規模模擬環境進行預訓練,並通過動態適應層(Dynamic Adaptation Layer)處理不同自由度與運動學結構的差異。
  • 實施了基於視覺-語言-動作(VLA)的端到端控制策略,減少了傳統機器人開發中繁瑣的運動學建模需求。
  • 引入了本體感知的對比學習機制,使模型能夠在幾次嘗試內適應新的硬體物理參數(如負載、摩擦力)。

前景展望基於引用來源的 AI 分析

具身智能將從「人形化」轉向「形態泛化」。
擎羽的技術路徑證明了智能可以脫離特定硬體存在,這將迫使行業重新評估人形機器人作為唯一具身載體的必要性。
機器人開發成本將因軟硬解耦而大幅下降。
當一套智能算法能應用於多種硬體時,企業無需為每種機器人形態重新訓練模型,顯著降低了研發與部署門檻。

時間線

2024-05
擎羽正式成立,並獲得首輪種子輪融資,專注於通用具身智能研究。
2025-02
發布首個支持跨形態遷移的具身基礎模型原型。
2025-11
完成與首個工業合作夥伴的非人形機器人部署測試。
2026-04
發布柔性本體控制架構,正式對外展示其跨硬體泛化能力。

AI 週報

閱讀本週精選 AI 大事摘要 →

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源: 量子位 ↗

這是摘要,不是原文。去看原站,或訂閱每週簡報。

每週電子報

每週一封,可隨時退訂。