高德发布全身基座模型λ0，仅用人类数据实现零样本迁移
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，非原文转载无本体采集与效率跃升
高德发布的全身基座模型λ0，其数据采集路径与主流方案存在明显差异。传统方法往往依赖机器人本体进行遥操作或动捕，而λ0采用无本体全身数据采集加软硬件协同人机对齐的路径。采集者只需佩戴消费级设备，便可在日常环境中随走随采，无需受限于实验室或特定场地。这一改变直接体现在采集效率上：单条示范的采集用时从约100秒缩短至29秒，整体数据采集效率约为主流方法的3.4倍。效率提升并非单纯追求速度，而是让大规模人类行动数据的获取变得可行。基于这一路径，团队构建了HumanVerse-500数据集，包含500小时的无本体全身数据。这些数据记录的是人类在真实环境中的全身协调行为，为后续机器人学习提供了不同于本体数据的输入来源。对读者而言，这意味着全身行为数据的采集门槛被显著降低，数据规模扩大的瓶颈从硬件依赖转向了采集者日常行为的自然积累。
三阶段训练与对齐机制
λ0的训练过程分为手部交互、全身协调、人形本体三个阶段。这种分阶段设计让模型先从局部手部动作入手，再扩展到全身协调，最后适配人形本体的形态差异。为了弥合人类数据与机器人本体之间的鸿沟，λ0设计了视角匹配和由粗到细的动作对齐机制。视角匹配处理的是采集视角与机器人观测视角之间的差异，动作对齐则从粗略的全身轨迹逐步细化到具体关节动作。这两项机制共同作用，使得仅用人类行动数据训练出的模型能够迁移到真实机器人上。在SIMPLE仿真基准及多项真机评测中，λ0取得了SOTA表现。真机任务成功率较最强对比基线提升22.5%，这一数字反映的是对齐机制在跨本体迁移中的实际效果。与已有方案相比，λ0不依赖机器人本体采集数据，而是通过软硬件协同的人机对齐来消化人类数据，这为全身协调学习提供了一条不同的技术路线。
零样本迁移与开源进展
λ0在7项全身协调与长程移动操作任务上实现了零样本迁移，这意味着模型在未经过这些任务专门训练的情况下，直接部署到真实机器人上完成了操作。零样本迁移的适用范围集中在全身协调与长程移动操作两类任务，其限制在于任务场景仍需与训练数据中的行为模式存在对应关系。研究还显示，人类全身数据规模扩大可以提升真实机器人任务表现，这为后续数据扩展提供了方向。该研究由高德和阿里ATH事业群共同完成。在开放程度上，λ0已在GitHub开源硬件配置代码，HumanVerse数据样例已在HuggingFace上线。对读者来说，硬件配置代码和数据样例的公开，使得复现和进一步实验具备了基础条件，而零样本迁移在7项任务上的表现则给出了该路径在真实场景中的能力边界参考。
为什么值得看
全身协调数据采集成本大幅下降，且人类数据可零样本迁移到真机，为具身智能开放场景落地提供可复制的数据路径。
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。