起猛了，机器人开上卡丁车了！

来源：市场资讯

（来源：机器之心）

机器之心发布

今天，Symbiosis Robotics（共生知行）放出了一段新演示。

画面里，机器人先压低身体，把四肢挪进卡丁车狭窄的驾驶位。驶上赛道后，它根据眼前的弯道调整方向，右脚踩油门、左脚控制刹车。镜头来到终点，卡丁车随即甩尾，原地漂了一圈。

几段赛道画面中，机器人根据弯道调整方向；镜头来到终点，卡丁车随即甩尾漂了一圈。

你别说，这套动作还真有点「机器人车手」的样子。

不过，热闹不只在漂移。

这段视频真正想回答的是一个更基础的问题：机器人已经看懂了弯道，接下来，怎样让这份判断及时变成全身的关节动作？

团队推出了 Direct Perception Control（DPC）。它取消了需要独立 Whole-Body Tracker 追踪的中间运动表示，让模型结合画面、任务和身体反馈，直接计算关节与手部目标。

为了训练这套系统，团队还整理了 15,010 小时具身数据。

机器人开卡丁车，难在哪里？

先看上车。

卡丁车座舱低矮又狭窄，机器人要压低躯干，重新安排髋、膝和四肢的位置，同时还得给双手留出握住方向盘的空间。

开起来以后，事情更多。

机器人一边要根据赛道画面判断弯道，一边要连续协调手脚：双手调整方向，右脚控制油门，左脚控制刹车。车速和转向一变，身体受到的反馈也跟着变，下一步动作必须马上调整。

换句话说，难点不只是「会转方向盘」或「会踩油门」，而是让感知、决策和全身控制在连续运动中接得上。

这正好暴露了人形机器人系统里一个长期存在的问题：看懂任务的模型，和真正控制身体的模型，中间还隔着多远？

一层 Motion Interface，究竟限制了什么？

常见的人形机器人控制方案，会把「知道要做什么」和「让身体做出来」分成两层。

Figure Helix 用一套系统处理低频语义推理，另一套系统负责高频控制。Gemini Robotics 2 也分别使用 embodied reasoning model 与 VLA 完成任务推理和全身动作执行。〔2–3〕这类分层设计已经十分成熟，DPC 进一步探索的是：能否让负责认知理解的模型与直接生成关节动作的 motion expert 在统一训练中联合优化，使任务理解与全身控制相互适配，共同提升。

分层架构先生成运动表示，Whole-Body Tracker 再计算关节动作。DPC 考察接口是否保留足够信息，也关注训练怎样连接以及低层控制器会做哪些动作。

Motion goal 说清了姿态，还缺少什么？

Motion goal 描述身体大概要做什么，真正执行时，Tracker 还要结合当前身体状态计算 Joint Target。上层模型即使更懂任务，也不会自动掌握 Tracker 在不同接触和平衡条件下学会的动作。决定身体怎样发力、怎样维持支撑的关键选择，仍然发生在 Motion Interface 之后。

潜空间里相近的运动意图，经过身体状态的条件映射后，可能对应差异明显的关节动作。

实机上连续执行，训练时能否一起调整？

实机运行时，Latent Policy 和 System 0 会依次工作。训练时，前者学习生成运动表示，后者单独学习 tracking 与 stability。两套模型直到部署时才通过接口接起来，低层动作产生的误差和画面变化也就无法同时用来调整上层策略。

Latent Policy 与 Whole-Body Tracker 分别训练，部署时再通过 Motion Interface 串在一起。

当低层控制器被冻结，机器人的动作能力还能扩展吗？

机器人最终能做出哪些动作，还取决于 System 0 见过哪些训练数据。低层先验如果主要学习行走，高层新增的移动操作任务仍要由这套先验执行。坐进卡丁车需要在狭小空间里重排全身姿态，驾驶又要求上肢和下肢持续配合，这些动作都在扩展原有的行走范围。

移动操作会进入行走数据较少覆盖的区域，低层控制器学过的动作范围也会影响最终执行。

这并非 DPC 独自面对的问题。ω-0、MotionWAM 和 Ψ₀ 都将视觉信息与身体状态用于动作生成，但仍采用分层控制：前两者先预测全身动作 latent ，再交由底层控制器执行；Ψ₀ 则将上下肢解耦，分别生成下肢运动指令和上肢关节命令。〔4–6〕相比之下，DPC 直接以 Joint Target 作为训练目标，在学习关节动作时始终参考任务信息和身体反馈。

DPC，怎样把画面直接变成关节动作？

如果限制来自中间接口，DPC 的选择就不是继续扩充这层表示，而是绕过它。按照官方说明，DPC 取消了需要独立 Whole-Body Tracker 追踪的中间运动表示。DPC 读取画面和任务语言，同时接收身体状态；此前的动作记录和执行反馈也会一并纳入计算，最终直接输出关节和手部目标。〔1〕

DPC 中的 “Direct” 指直接输出 Joint Target。电机仍由 PD 控制和硬件执行层驱动，关节限制等安全措施也完整保留。

DPC 内部保留 Perception Expert 与 Motion Expert，前者理解场景和任务，后者处理高频身体反馈。Symbiotic Attention 让两边交换信息，并在同一个 action objective 下训练。这样一来，感知专家会留意那些可能改变动作的画面差异，运动专家计算关节目标时也能使用最新的任务信息。

相机画面无需频繁重复计算，身体状态却一直在变化。DPC 异步更新视觉结果，同时连续读取本体反馈。运动专家每次计算动作时，都能使用最新的画面信息和身体状态。

DPC 取消了等待 Tracker 追踪的运动参考，直接结合画面和身体反馈计算关节与手部目标。

直接输出关节动作打通了训练链路，但也要求策略正面处理实机执行中不断积累的偏移。接口取消后，DPC 策略还要学会处理实机运行中的偏离，因此它先通过 Offline BC 完成初始化，再进入 DriftDistill 的第二阶段训练。Student 在 online rollout 中遇到自身容易偏离的状态，Frozen Teacher 为这些状态给出恢复动作；训练时，online rollout 与 offline demonstrations 会一起用于更新 Student。

DriftDistill 先用离线示范建立动作基础，再把 Student 实际遇到的偏离状态和 Teacher 给出的恢复动作加入训练。

经过反复 rollout，Student 会逐步学会自己在部署中遇到的状态和恢复路径。更新后的 Student 策略可以处理更多实机状态，也能在偏离发生后继续完成任务。

15,010小时数据，怎样装进同一个机器人身体？

直接输出 Joint Target 也把数据问题推到了前台：不同来源的记录必须先被转换成同一种“关节语言”。人类视频与不同机器人数据采用各自的身体结构和控制方式，无法直接混合训练；DPC 因此将每类数据转换成 G1 可执行、时间对齐的 joint action，再统一用于训练。〔1〕

更新后的数据集共 15,010 小时：

• 6,781 小时 Human Ego 数据；

• 4,024 小时 Armed Robot 数据；

• 3,660 小时 Wheeled Humanoid 数据；

• 545 小时 Bipedal Humanoid 数据。

不同来

源数据经过转换后，对应到同一套 G1 关节动作。

转换完成后，画面、任务语言、身体状态、动作历史和后续关节动作被放到同一条时间轴上。所有数据最终落到同一个 execution space，为DPC模型提供统一的 Joint Target 监督。

不只开车，DPC还做了什么？

开车是最抓眼球的一段，但不是 DPC 的全部演示。

官方页面还展示了移动抓取与放置，以及受限姿态下的全身操作。〔1〕

在移动操作片段中，机器人走到桩前，弯腰下蹲后单手拿起目标，再转身移动到指定位置放下。

机器人走到桩前，俯身拿起目标，再转身移动到放置位置。

抓取会改变负重，转身会改变支撑关系。机器人需要一边完成任务，一边根据新的身体状态调整全身动作。

机器人压低躯干并调整四肢，坐进低矮的卡丁车座舱。

坐进卡丁车，则把这种能力推到了更受限的空间里；驶上赛道后，变化的画面又进一步进入控制闭环。

这些 demo 串起的是同一件事：机器人看到环境变化后，不再先生成一份运动参考、再等待独立 Tracker 翻译，而是结合此刻的身体状态，直接计算下一步关节动作。

当然，一段漂移视频不等于机器人已经学会了通用驾驶。DPC 展示的重点，也不是车技有多成熟，而是任务理解和全身控制能否在同一个训练目标下真正接起来。

回到开头。

机器人看见弯道，随即调整方向和油门；车身状态发生变化，下一步关节动作也跟着变化。

从「看懂」到「动起来」，中间少掉的不只是一层接口。

它也让感知与控制有机会在同一套系统里，共同学会如何完成任务。

文末 “阅读原文” 可查看Symbiosis Robotics（共生知行）更新后的完整技术页面，页面同时收录数据管线和实机演示。

资料来源

[1] Symbiosis-Robotics. Direct Perception Control Model, 2026. https://symbiosis-robotics.com/research/dpc

[2] Figure. Helix: A Vision-Language-Action Model for Generalist Humanoid Control, 2025. https://www.figure.ai/news/helix

[3] Google DeepMind. Gemini Robotics 2 brings whole body intelligence to robots, 2026. https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots

[4] Li Z, Zhang Z, Wei Y, et al. $\omega $-0: A Latent Predictive World Action Model for Concurrent Humanoid Loco-Manipulation, 2026. ttps://arxiv.org/pdf/2608.06375

[5] Zheng J, Ma T, Fan Y, et al. MotionWAM: Towards Foundation World Action Models for Real-Time Humanoid Loco-Manipulation, 2026. https://arxiv.org/pdf/2606.09215

[6] PSI Lab. {$\Psi_0$}: An Open Foundation Model Towards Universal Humanoid Loco-Manipulation,2026. https://psi-lab.ai/Psi0