尽管具身智能领域在模型训练阶段取得长足进步,但机器人进入真实场景后能否稳定完成任务,始终是制约行业发展的关键瓶颈。
1月6日,智元机器人具身研究中心对外发布了一套面向真实世界部署的在线后训练系统,为破解这一难题提供了新思路。
长期以来,机器人应用面临双重挑战。
一方面,复杂多变的真实环境要求机器人具备高度的稳定性和可靠性;另一方面,差异巨大的任务类型又需要机器人保持良好的泛化能力。
这两个看似矛盾的要求,构成了通用机器人走向实用化的现实障碍。
传统机器人研发遵循单向流程:在实验室完成训练后部署到现场,一旦遇到新问题就需返回离线训练阶段重新调整。
尽管当前主流的视觉语言动作预训练模型已具备较强通用性,但受制于任务专精度要求和数据采集方式的局限,在真实部署中仍难以达到理想效果。
离线数据采集的边际效益递减,使得提升任务成功率愈发困难。
此次发布的在线后训练系统打破了传统路径约束。
作为一套通用框架,该系统最大特点在于支持不同训练算法的即插即用,可在机器人实际作业过程中实现分布式、持续性学习。
智元机器人合伙人、高级副总裁兼首席科学家罗剑岚表示,这套框架是机器人迈向真实场景作业的关键一步,若基础不稳,后续探索都将成为空谈。
该系统的核心机制体现为让机器人在工作中同步学习和纠错。
研究团队的测试数据显示,在真实环境中连续运行长达36小时执行衣物折叠任务时,结合人类引导的交互式模仿学习方法,机器人在物品繁杂的商超场景中实现了百分之三十三的综合性能提升。
在商超补货、衣物整理、纸盒装配等具体任务中均取得明显进展。
对于需要精细操作的任务,该系统不仅提高了成功率,还通过在线学习获得错误恢复能力,显著提升了操作效率。
值得注意的是,上述不同任务场景始终使用同一个通用模型,这印证了该系统在保持稳定性的同时兼顾泛化能力的设计初衷。
罗剑岚认为,执行难度越高的任务,越容易产生高价值的负面数据,从而促进模型快速优化。
从应用前景看,不同场景呈现出差异化的落地路径。
工业制造场景虽然对泛化性要求相对较低,但对成功率、作业节拍和稳定性要求极高;家庭服务和商业超市场景更加开放、长尾任务更多,但对性能容忍度较高且风险可控;医疗护理领域则需要从辅助性应用逐步切入,对安全性和可解释性提出最严格要求。
罗剑岚表示,现阶段工业制造和部分商业服务场景最易产生商业价值,今年将在商业超市和部分家庭场景逐步推广应用。
这一判断基于对不同场景技术成熟度和市场需求的综合评估,体现了行业从技术突破走向规模化应用的务实路径。
机器人产业竞争正在从“模型能力展示”走向“真实场景兑现”。
在线后训练框架的探索，折射出行业对规模化落地的共同诉求：让机器人不仅能完成演示任务，更能在长期运行中稳定产出、可控迭代。
未来，谁能率先打通“数据—训练—部署—反馈”的闭环，谁就更可能在通用机器人从试点走向普及的进程中赢得主动。