成立半年，源策未来想让一份数据服务更多机器人

9 月 17 日，美国人形机器人公司 Figure 发布 Helix 2.5，将 Index 采集的人类行为数据用于机器人预训练。人类日常活动留下的经验，正在成为机器人学习的新素材。

而在另一个时区的中国上海，成立仅半年的源策未来（Archon Robotics），也交出了全身智能（Whole-Body Intelligence，WBI）的阶段性成果。10 月 10 日公开的实机演示中，机器人跨越厨房台阶、俯身拾取物品、扶起自行车；团队还在宇树 G1、加速进化 T2 两种本体上展示了自主任务执行。

这些任务看起来各不相同，却有一个共同要求：机器人必须让整个身体参与工作。

跨入厨房，意味着脚下的支撑高度发生变化；拾起地上的水瓶，需要降低身体，同时保持手部对准；扶起自行车，则要在车身抬起、负载变化的过程中协调腿部支撑与上肢动作。到了清理餐桌、操作洗碗机，机器人还要把不同动作衔接起来，让前一步的结果成为下一步的起点。

源策的阶段性成果，则从复杂地形、全身操作与多阶段任务出发，展示了另一套围绕人类经验构建机器人能力的技术实践。

在源策的 WBI 体系中，EgoBody 记录人类全身交互经验，S1 通过预训练与真机后训练形成任务能力，S0 支撑稳定的身体执行，并参与真机示范采集。

源策预训练技术路线

相比镜头里某一个动作是否足够惊艳，更值得关注的是：这套体系如何持续获得可用数据，又如何让数据积累变成下一项任务、下一副身体可以利用的经验。

机器人干活，难在持续生产数据

让足式人形机器人采下一条可用于训练的示范，首先要让它稳定地把任务做出来。与固定在工作台前的机械臂不同，人形机器人依靠双足支撑，手部操作会不断影响整个身体。伸手取物时，重心可能前移；搬起箱子后，身体需要承受新的负载；跨越台阶时，两脚还可能处于不同高度。采集者既要教机器人完成操作，又要让它在这些变化中保持平衡。

因此，遥操作并不意味着操作者能够直接接管每一个关节、替机器人解决所有控制问题。人的动作意图进入机器人之后，仍需被转化为符合其身体结构、关节范围与环境约束的运动。控制能力不足，示范就可能在俯身、迈步或接触物体时中断，能够采集的任务也会随之受限。

全身遥操作本身，就需要全身智能。源策自研 S0 的价值，首先体现在为真机示范提供这一执行基础。

跨上厨房台阶，是理解这件事的一个具体例子。台阶带来的变化，不只是脚要抬得更高。在抬脚、落脚与身体前移的过程中，足部接触高度和支撑关系持续改变，S0 需要协调足部轨迹、躯干姿态与重心转移，让机器人从一种支撑状态稳定过渡到另一种。

俯身取物又提出了不同要求。机器人即使能够保持平衡，如果手无法准确接近目标，动作仍然不能成为有效操作。S0 因而还要兼顾任务关键末端的跟踪，让下蹲、侧身和俯身等姿态，真正扩大可用的操作范围。

地形适应解决的是“脚下条件变了，身体还能否稳定行动”；操作可达性关注的是“调整身体后，手能在哪里完成工作”。搬来踏台、踏上平台再取到高处物体，将两种能力联系起来：先建立新的身体支撑，再把支撑变化带来的高度优势转化为操作能力。

对于数据采集，这些能力直接影响任务覆盖。能够稳定俯身，才有机会采集更多低位操作；能够处理负载变化，才能将搬运、扶起物体等任务纳入示范；能够适应高差，采集范围才可能从平地延伸到台阶和楼梯。

但从一条示范成功，到持续采集，还需要解决机器之间和系统版本之间的不一致。同型号机器人也会因磕碰、摔倒或长期使用出现参数偏差。源策通过标定处理这些差异，减少其对动作执行的影响。随着 S0 迭代，团队还需要处理不同版本采集数据的兼容问题，让此前积累的示范继续服务于模型训练。

主动视觉头部、腕部相机和线束优化，则进一步服务于采集可靠性。机器人需要看清正在操作的位置，新增设备的线束也需要妥善布置，减少勾挂、受压等问题造成的中断与损坏。

通过针对不同机器人适配 S0，团队能够采集来自不同身体结构、关节配置和运动约束的真机示范，为后续 S1 的多本体训练提供数据基础，这些工作同时也指向了同一个目标 ——让不同机器人能够持续采集任务丰富、可用于训练的真机数据。S0 因而贯穿采集与部署两端。一端，它让人的示范能够在机器人身上执行；另一端，它让模型学到的动作真正落地。控制能力的进步，也在不断打开数据生产的空间。

从人类全身数据中学习

真机示范能够记录机器人如何执行任务，但在早期阶段，把机器人部署到大量家庭、办公空间和户外环境中采集，并不容易。

人类日常行为，为扩大经验覆盖提供了另一种来源。从低柜里拿东西，人可能先挪半步，再下蹲、俯身和伸手；搬起箱子时，双手抓握只是动作的一部分，站位与躯干姿态同样参与其中。对于人形机器人，理解这些任务，需要看到手部动作与整个身体之间的关系。

源策打造的人类高质量全身数据 EgoBody 将第一人称视觉与全身位姿结合，通过 IMU 惯性传感器及算法恢复包含腿部在内的身体姿态，为全身智能学习提供更完整的动作信息。

第一人称画面记录采集者看到了什么，身体位姿补充其如何接近目标、调整支撑并完成操作。包含腿部与躯干的信息，使低位取物、搬运和移动中的身体配合能够进入动作描述。

这也是 EgoBody 的一个重要识别点。手的轨迹能够描述局部操作，而全身位姿进一步记录了这段轨迹如何在具体空间中实现：目标较低时，身体怎样降低；伸取范围不足时，脚步如何调整；持物移动时，上下半身如何配合。

源策从环境、任务与物体三个维度组织采集。不同家庭和办公空间，带来柜体高度、通道宽度与物品布局的变化；同一环境中，也可以设计不同任务，记录不同的身体动作与接触方式。

一个厨房可以采集取物、搬运、整理和家电操作。同样是取物，更换目标物体的形状、尺寸与摆放位置，也会带来不同的接近方式和抓取条件。环境暂时有限时，任务与物体的多样性仍然能够扩展经验覆盖。

根据团队介绍，采集任务由内部设计，分发到不同城市执行，数据回流后再进行质量检查。机器全检、人工抽检与异常复核，配合可视化检查，共同把控数据质量。

一方面，人类数据的积累需要同时关注分布、质量与数量。反复记录同一条件下的动作，可以增加时长；让模型接触更多身体与环境的交互方式，才有机会扩展其可学习的经验。

另一方面，人的动作还不能直接作为机器人的执行指令。EgoBody 提供广泛的全身交互经验，真机数据则记录这些经验如何在具体机器人上实现。两类数据承担不同作用，也由此形成互补。

人类经验如何变成机器人的动作

扶起一辆自行车，对人而言是熟悉的动作，对机器人却意味着一系列需要重新落实的问题：站在哪里，手接触车身的哪个位置，车身抬起时怎样调整支撑。人类示范提供了任务经验，机器人还需要学会如何用自己的身体完成它。

源策通过 S1 连接这两个阶段。人类全身数据预训练，为模型提供任务与动作先验；真机后训练，则帮助这些先验适应机器人自身的运动范围和接触条件。S1 结合多模态信息形成全身动作意图，再由 S0 支撑身体执行。

依旧以扶起自行车为例，人类数据可以记录接近车身、调整站位、建立接触和抬起物体的过程。进入真机训练后，机器人自身的示范进一步补充：这副身体怎样触及目标，怎样在负载变化中保持稳定，以及哪些动作能够实际执行。

这套路线希望改变新任务的学习起点。模型如果已经从人类数据中接触过相关经验，后续就有机会沿用已有知识，减少重新采集示范的负担。具体能够减少多少真机数据、达到怎样的任务表现，仍需要正式对照实验衡量。

真机后训练还需要覆盖执行偏差。只看顺利完成的示范，模型接触到的主要是理想路径；实际执行中，手的位置可能偏离目标，接触也可能没有按预期建立。源策引入人形 DAgger，由操作者在这些状态下接管并给出纠正示范，再将相关数据用于后续训练。

标准按键示范，告诉模型怎样对准并按下按钮；纠正示范则补充，当手已经偏离目标时，如何重新调整。这类数据使训练能够接触机器人实际执行中遇到的状态。

到了自主任务阶段，学习内容还包括动作之间的衔接。洗碗机操作中，开门需要沿门轴运动，拉动碗篮需要适应滑轨，餐具取放又涉及抓取、对准与释放。机器人每完成一步，面对的物体状态和接触约束都会改变。

餐桌清理也有类似要求。从抓取杂物转入抹布抓持，再到沿台面持续擦拭，手部需要从短暂抓放切换为工具与表面的持续接触。

餐桌清理以及洗碗机操作等场景演示，呈现了 S1 将不同动作阶段组织成自主任务的进展。经过专项训练完成连续任务，仍需与面对新任务、新环境变化的泛化能力分别评价。对 S1 而言，更长远的价值，是让这些任务背后的经验能够继续积累，在学习下一项工作时发挥作用。

换一副身体，已有经验如何复用

任务经验能够积累，还需要面对另一种变化：执行任务的身体换了。宇树 G1 与加速进化 T2 具有不同的身体比例、关节配置和运动限制。即使面对同一个取物目标，它们也可能需要不同的站位、躯干姿态与手部路径。

因此，跨本体需要将任务要求落实为各自能够执行的动作。源策希望通过不同人类个体的全身数据与多本体真机数据共同训练，提高 S1 对身体差异的适应能力。不同采集者的身高、体型与动作习惯，为模型提供了身体条件变化的样本；不同机器人数据，包括关节范围、支撑条件与接触方式，仍需通过本体采集和训练完成对齐。

这些样本的共同意义，是让模型有机会学习：身体条件变化之后，同一个操作目标可以怎样实现。新本体接入仍然需要具体工作。团队首先适配 S0，使机器人具备稳定执行与采集示范的基础；随后通过 S0 获取必要的真机数据，再与已有数据共同用于 S1 训练。

新身体的控制适配、标定与数据补充需要完成，此前积累的人类经验和模型知识则有机会继续沿用。跨本体训练所追求的，是让后来的机器人能够受益于此前的积累。

此次展示中，G1 与 T2 已分别进入自主餐桌清理、洗碗机操作等场景，两种构型也参与了冰箱整理任务。这表明同一 WBI 技术路线的适配，已经延伸到实际自主操作。

多机展示则提出了相关但不同的问题。茶水间里，多台机器人分别承担整理和清洁；双机展开晾衣架时，两副身体还要围绕同一个物体配合动作。它们呈现了多机器人参与工作的场景，也对示范采集中的遥操作配合、实时性和控制稳定性提出要求。

判断跨本体复用的实际价值，最终还需要比较新本体所需的数据规模、训练时间与任务表现，并区分参与过训练的本体和真正未见本体的测试。同一技术路线在多种机器人上落地，已经提供了阶段性证据；已有经验能够帮助下一副身体多少，则是进一步验证的重点。

对源策而言，围绕 S0、EgoBody 与 S1 建立的技术体系，正在为持续积累和利用这些经验提供基础。S0 支撑全身执行与真机示范采集，EgoBody 扩展人类全身交互经验的覆盖，S1 再通过预训练与真机后训练，将经验落实到具体的机器人身体和任务上。这套体系接下来需要回答的，是新增数据能带来多少能力提升，以及已有积累能在学习新任务、适配新本体时发挥多大作用。

从陌生家庭中的泛化验证，到全身控制、数据采集与跨本体适配，具身智能的竞争正在从单项任务的完成能力，延伸至高质量数据的生产效率与动作知识的持续复用。源策的阶段性成果，也呈现了中国团队在这条技术路径上的探索深度。在全身智能的探索中，中国创业公司正在以自己的数据路径和工程实践，参与核心能力的构建。

✦精选内容✦