Figure 发布 Helix 02：单神经网络实现全身自主控制
Figure 发布 Helix 02，用单一神经网络从像素直接控制人形机器人全身，在完整厨房中自主完成装卸洗碗机任务，全程约 4 分钟、含 61 个移动操作动作，无人工干预。
推荐理由：Figure 公布 Helix 02 的三层架构与全身自主演示，读者可了解人形机器人从上半身控制扩展到全身连续作业的路径。
模型发布
全部主题机器人与具身智能领域的模型发布，保留来源、阶段和证据边界。
49条精选
最新精选
第 41–49 条 · 共 49 条Figure 官方新闻精选AI 评分8888
NVIDIA dev blog robotics精选AI 评分6262 NVIDIA 用仿真到真实工作流构建 Isaac GR00T N1.6 通用人形能力
NVIDIA 发布 Isaac GR00T N1.6，用于构建人形机器人的通用能力，覆盖感知、规划与全身控制。该工作流将仿真、控制与学习统一起来，让机器人在进入真实世界前先习得复杂技能。
推荐理由：NVIDIA 官方给出 GR00T N1.6 的仿真到真实工作流，读者可了解人形机器人通用能力训练如何统一仿真、控制与学习。
Figure 官方新闻精选AI 评分8080 Figure 发布 Project Go-Big：Helix 实现人类视频到机器人导航的零样本迁移
Figure 发布 Project Go-Big，为 Helix 视觉语言动作模型构建互联网规模的人形机器人预训练数据集，并与 Brookfield 合作，后者拥有全球超 10 万套住宅单元、5 亿平方英尺商业办公空间和 1.6 亿平方英尺物流空间。
推荐理由：Figure 公布 Helix 仅用人类第一视角视频训练即可完成真实家居导航，并披露与 Brookfield 的数据采集合作规模。
Figure 官方新闻精选AI 评分6262 Figure 的 Helix 模型学会装洗碗机
Figure 的视觉语言动作模型 Helix 在叠衣服、整理包裹之后，新增了装洗碗机的能力，且未引入新算法或专门工程，仅靠新数据训练。Helix 学会了将叠放的盘子分离并依次装入、单手拿起玻璃杯后换手重新调整方向再放置、根据杂乱的初始状态调整策略，以及在抓取失误或碰撞后恢复。Figure 称洗碗机装载、包裹物流和叠毛巾任务由同一通用架构完成，是迈向可扩展人形智能的一步。
推荐理由：Figure 展示同一 Helix 模型仅靠新数据学会装洗碗机，可观察通用 VLA 架构向多任务扩展的路径。
Figure 官方新闻精选AI 评分7070 Figure 的 Helix 学会自主折叠毛巾
Figure 的视觉语言动作模型 Helix 展示了完全自主折叠毛巾的能力，这是首个由多指手人形机器人通过端到端神经网络完成叠衣的实例。该模型沿用此前完成物流包裹重定向任务的同一架构，未修改模型或训练超参数，仅新增数据集，即可完成从混合毛巾堆中取毛巾、根据初始状态调整折叠策略、从多次抓取错误中恢复，以及用拇指描边、捏角、解开缠绕毛巾等精细操作。
推荐理由：Figure 展示 Helix 在无架构改动下从物流任务迁移到叠毛巾，可观察端到端 VLA 处理可变形物体的方式。
Skild AI 官方研究博客精选AI 评分7171 Skild AI 发布 Skild Brain 低层控制策略，实现纯视觉端到端人形机器人行走
Skild AI 发布 Skild Brain 的低层控制能力，模型从原始图像和关节反馈直接输出低层电机指令，无需规划、建图或在行为间手动切换，即可让机器人走过平地、爬楼梯和跨越障碍。
推荐理由：Skild Brain 低层控制策略的发布细节，展示了纯视觉端到端行走在真实城市与楼梯环境中的表现。
Skild AI 官方研究博客精选AI 评分6262 Skild AI 发布通用机器人基础模型 Skild Brain
Skild AI 发布通用机器人基础模型 Skild Brain，采用低频高层操作与导航策略加高频低层动作策略的分层架构，可运行于四足、人形、桌面机械臂和移动操作平台等多种本体。该模型通过大规模仿真与互联网视频数据预训练，再用针对性真实数据后训练交付客户方案；官方同时发布 2024 年的早期可扩展性与鲁棒性结果，并称将在接下来一个月展示更多能力。
推荐理由：Skild AI 公开其通用机器人基础模型的架构与训练路线，读者可了解其跨本体泛化思路与仿真预训练加真机后训练的分工。
Figure 官方新闻精选AI 评分7878 Figure 发布 Helix 物流新版本：处理速度降至 4.05 秒/件，条码朝向成功率约 95%
Figure 发布 Helix 物流场景的升级版本，可处理聚乙烯袋、气泡信封等可变形包裹，平均处理时间从约 5.0 秒降至 4.05 秒，条码朝向成功率从约 70% 提升至约 95%。
推荐理由：Figure 公开 Helix 物流策略的架构改动与消融数据，可看到视觉记忆、状态历史和力反馈各自解决的具体瓶颈。
Figure 官方新闻精选AI 评分7474 Figure 用强化学习训练 Figure 02 自然行走控制器
Figure 发布用端到端强化学习训练的人形行走控制器，在 GPU 加速物理仿真中并行模拟数千台 Figure 02，数小时生成数年仿真数据。该策略结合域随机化与机器人上 kHz 级力矩反馈闭环控制，无需额外微调即可零样本迁移到真机，并让 10 台 Figure 02 运行同一网络。训练中通过奖励机器人模仿人类行走参考轨迹，保留脚跟着地、脚尖离地和摆臂等步态特征。
推荐理由：Figure 公开了纯仿真强化学习训练的人形行走控制器，并说明零样本迁移到 Figure 02 真机的做法。