北京
近日，阿里巴巴集团旗下高德正式发布首个基于开放世界行为的全身基座模型λ0。
该模型仅依靠人类行动数据，即可让机器人学习移动、姿态与双手操作的全身协调，使机器人彻底摆脱“局部动作学习”的局限。在SIMPLE仿真基准及多项真机评测中，λ0均取得SOTA表现，数据采集效率约为主流方法的3.4倍，真机任务成功率较最强对比基线提升22.5%。
伴随具身智能逐步走向家庭、商超、仓库等开放环境，机器人面临的不再是固定站姿下的单一操作，而是需要持续协调全身动作才能完成的复杂长程任务。
然而，现有的技术路径难以支撑机器人全身协同采集和学习需求。一方面，传统的真机遥操采集高度依赖硬件设备与人工复位，扩展成本高昂；另一方面，过往的第一视角VLA（视觉-语言-动作）基座模型普遍缺失全身协调的动作信息，数据往往只聚焦于手部、臂部等局部交互，缺乏关节、躯干、位姿等全身动态信息。当场景越开放、任务越复杂时，这种“碎片化”的动作学习便成为制约机器人通用能力与动作成功率的瓶颈。
λ0首创了“无本体全身数据采集+软硬件协同人机对齐”的技术路径，以应对开放场景对采集效率、全身协调和跨本体迁移的挑战。
成本和效率方面，无本体全身数据采集使λ0摆脱了对昂贵机器人本体采集的强依赖，采集者仅需佩戴消费级设备，即可在日常环境中随走随采。与机器人本体采集相比，该方式将代表性任务的单条示范采集用时由约100秒缩短至29秒，采集效率约为原来的3.4倍。
在全身动作学习与对齐方面，λ0依托软硬件协同的数据采集模式，完整记录并对齐了视觉、身体位移与手部操作等全身动作信息，再结合手部交互、全身协调、人形本体三阶段训练，逐步将人类经验转化为机器人的全身控制指令。基于这一可规模化的管线，高德构建了包含500小时开放世界无本体全身数据的HumanVerse-500数据集。
HumanVerse-500数据集的构建与全景统计
面对人机形态差异与末端控制器执行偏差带来的迁移难题，λ0在采集、处理与动作端设计了视角匹配和“由粗到细”的动作对齐机制，在保留全身协调的同时优化物理接触精度。
在跨形态迁移与数据扩展性（Scaling）方面，λ0面对7项全身协调与长程移动操作任务，仅凭人类行动数据即可在真机上实现零样本迁移。同时，在同等机器人示范量的条件下，随着人类全身数据规模的扩大，真实机器人的任务表现能获得显著提升。这意味着，规模化积累人类全身数据，是提升人形机器人真实任务表现的一条有效路径。
七个任务中对齐人类示范的任务进度
据悉，该模型研究由高德和阿里ATH事业群共同完成。从无需机器人到场的数据采集，到人机观测与动作对齐，再到真实机器人上的能力验证，λ0打通了人类全身经验走向人形机器人的完整链路。这为机器人在巡检、物流等更多开放场景中学习和执行全身协调任务提供了基础。
目前，λ0已在GitHub开源了相关硬件配置代码，并在HuggingFace上线了HumanVerse数据样例，方便开发者直接体验与研究。
项目主页：https://lambdahumanoid.github.io/
技术报告：https://arxiv.org/abs/2610.18950
GitHub：https://github.com/LambdaHumanoid/openlambda
HumanVerse 数据样例：https://huggingface.co/datasets/lambda-humanoid/HumanVerse-500-sample
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
