亮源新创发布三项Physical AI技术
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跑酷技能仿真生长
LightParkour 的做法是从人类动作片段出发，先恢复出简短的动作种子，再把这些种子连同障碍物一起放入物理仿真环境。仿真中重建了动作、障碍物、接触力与执行器约束之间的关系，机器人只被给定起点，技能则在仿真中自行生长。当机器人完成一个动作后，系统会提高障碍物难度，并将成功轨迹用于下一轮训练。这种课程学习的方式让复杂接触技能逐步扩展，而不是依赖逐障碍采集动作。传统动作重定向可能造成手掌悬空、身体穿障或轨迹超出动力学能力，而逐障碍采集动作会使数据成本随技能、地形和接触方式线性增长。LightParkour 通过仿真中的自主生长和难度递进，避免了这些问题。
导航数据引擎与经验生成
LightNav-0 基于 Real2Sim2Real 数据引擎，将 2000 多个互联网真实场景转换为仿真环境，并生成超过 4000 小时的视觉、语言和动作经验，用于通用导航的后训练。这一数据规模来自对真实场景的批量转换和仿真中的经验积累，而不是依靠人工逐场景采集。与已有方案相比，LightNav-0 利用互联网场景的多样性来构建仿真环境，再通过仿真生成大量训练数据，从而降低对真实世界数据采集的依赖。这些经验涵盖了视觉、语言和动作多个模态，为导航模型的后训练提供了基础。
全身韧性控制研究
Light REACT 研究机器人在外力扰动、跌倒和硬件损伤下如何调整运动方式。这项技术与 LightParkour 的跑酷技能、LightNav-0 的导航能力形成互补，分别对应跑酷、导航和全身韧性控制三个方向。Light REACT 关注的是机器人在非理想条件下的适应能力，通过调整运动方式来应对外部干扰和自身损伤。三项技术在亮源新创一个多月内连续发布，体现了公司在不同机器人能力维度上的布局。
三段范式与规模化路径
亮源新创提出规模化预训练、规模化对齐和规模化部署三段范式。规模化预训练用大规模数据建立基础能力；规模化对齐通过强化学习等方式提升模型能力；规模化部署让基础模型进入真实世界并产生数据，形成飞轮。这一范式将数据、模型和部署串联起来，强调从预训练到对齐再到部署的循环。LightParkour、LightNav-0 和 Light REACT 三项技术分别对应跑酷、导航和全身韧性控制三个方向，可以看作是该范式在不同能力上的实践。对读者而言，这意味着机器人的技能学习可能更依赖仿真中的自主生长和大规模数据生成，而不是逐项人工采集。
为什么值得看
提出 Physical AI 三段范式，推动机器人能力规模化扩展。
信源1 家
关键事实
相关 · 模型
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。