HALO 人形机器人系统：仿真训练实现零样本真机迁移，成功率 91%
论文AI 评分 82/100arXiv cs.AI待复核
AI 聚合
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。
研究团队提出 HALO 人形自主系统，用程序化生成的约一千个家庭场景合成视觉-语言-运动数据，使数据规模随算力扩展，而不依赖人工遥操作采集。训练全程未接触真实家庭，HALO 仍零样本迁移到物理世界，在六个未建图的真实环境中完成 360 次试验，成功率为 91%。系统掌握的技能包括坐椅子、导航到指定物体、侧身穿半开门、蹲爬钻桌底和推箱子，并能组合这些技能完成长时序复合任务。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载数据瓶颈与合成路线
论文指出，人形机器人要走向通用自主，卡点在于数据：把像素和自由语言映射到低层关节指令需要成对的监督信号，而这样的大规模语料尚不存在。依赖人类遥操作和穿戴捕捉设备的做法，产出与投入的时间基本一比一，一小时人类时间才换一小时数据。HALO 的思路是把这类配对数据改为在仿真中合成，覆盖约一千个程序化生成的住宅，数据量随算力扩张，而不受人力采集速度限制。
技能组合与零样本迁移
HALO 学到的是一组可复用的物理技能：坐上椅子、移动到被点名的物体、侧身通过半开的门、蹲下并爬过桌底、推动箱子。系统把这些技能编排起来处理复合的长时序任务，而不是只做单一动作。更关键的是迁移表现：训练阶段完全没有接触真实住宅，部署时直接进入物理世界，在六个此前未建图的环境中累计进行 360 次试验，成功率达到 91%。这一数字是评估该方法实用性的核心依据。
可复现性与适用边界
论文给出了代码与演示视频的获取入口，并标注了 arXiv 编号与版本，方便复现与对照。需要留意的是，91% 的成功率对应的是上述六类真实环境与既定任务集合，材料未披露失败案例的分布、单次任务的时长以及硬件配置细节。对关注人形机器人学习路线的人而言，这项工作的价值在于验证了「仿真合成数据 + 技能组合」能否替代昂贵的人工示教，以及零样本迁移在多大范围内成立。
为什么值得看
用仿真合成数据绕开人形机器人配对监督数据稀缺的瓶颈，并给出真机零样本迁移的量化成功率，值得关注其可复现性。
算力
信源1 家
关键事实
相关 · 论文
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。