Memo背后的ACT-1机器人AI亮相
介绍ACT-1：Memo背后的前沿机器人AI。 ACT-1使Memo能够执行：🎭 ⏰ 长时间任务，如晚餐后收拾整理 🦾 灵巧任务，如折叠袜子 ☕ 日常享受，如制作浓缩咖啡 它的工作原理是什么？🧵
全部机器人动态
Sunday Robotics · XAI 评分2121
Sunday RoboticsAI 评分5959 Sunday Robotics 发布零机器人数据训练的基础模型 ACT-1
Sunday Robotics 发布基础模型 ACT-1，宣称训练未使用任何机器人操作数据，而是通过 Skill Capture Glove 采集人类动作，经 Skill Transform 以 90% 成功率转换为机器人数据。
Physical Intelligence Social精选AI 评分6868 Physical Intelligence 发布 π0.6 模型，可用强化学习从自身经验中学习
Physical Intelligence 发布新模型 π0.6，它能通过强化学习（RL）从自身经验中学习。相比未用 RL 训练的基线模型，π0.6 的吞吐量可提升一倍以上，并能执行真实世界任务，包括制作浓缩咖啡饮品、折叠多样衣物和组装纸箱。
推荐理由：原文给出了相对未用强化学习的基线模型吞吐量翻倍以上的对比，以及三类真实任务的落地范围。
Physical Intelligence精选AI 评分7474 Physical Intelligence 发布能从经验中学习的VLA模型 π*0.6
Physical Intelligence 发布 VLA 模型 π*0.6，用其 Recap（RL with Experience & Corrections via Advantage-conditioned Policies）方法训练后，在部分最难任务上吞吐量提升一倍以上，失败率可降至原来的一半或更低。
推荐理由：原文解释了模仿学习下VLA复合错误的成因，并给出用专家纠错与自主经验做强化学习的训练路线。
达纳灵动 · XAI 评分4646 DYNA-1基座模型预训练新进展
很高兴分享我们在 DYNA-1 预训练上的最新进展！🤖 基座模型现在无需任何后训练，即可执行多种灵巧任务（叠衣服、包裹分拣……），即使在未见过的环境中也能完成。 这个强大的基座还支持极其高效的微调，仅需约 1 小时的数据，就能在有挑战性的新任务上达到约 100% 的成功率！🤯 来看看它掌握的两个任务：叠杯子和切芹菜，反复执行，零失败。👇
达纳灵动 · XAI 评分2828 DYNA VLA模型具备智能体推理
🎃 万圣节快到了。我们勤劳的团队正在排着队领糖果，当然，由 Dynasaur 来供应！ DYNA VLA 模型现在具备稳健的智能体推理能力，能够供应任意组合和数量的糖果！考虑到组合的可能性是指数级的，纯模仿学习是行不通的。 无视频剪辑。一如既往，连续实拍 🤖 DYNA 祝大家万圣节快乐！🍬
Keenon Robotics/擎朗智能AI 评分4747 擎朗智能正式发布面向服务行业的自研 VLA 模型 KOM 2.0
擎朗智能正式发布 KOM 2.0（KEENON Operator Model 2.0），称其为全球首个面向服务行业的 VLA（视觉-语言-动作）模型。该模型采用 K-Mind 思考系统与 K-Act 动作系统的双系统架构，基于数亿次真实服务交互数据训练，支持毫秒级实时决策。
Figure AI精选AI 评分7272 Figure 发布 Project Go-Big：Helix 仅凭人类第一视角视频零样本学会导航
Figure 宣布 Project Go-Big 两项进展：与 Brookfield 合作构建大规模人形预训练数据集，后者拥有超 10 万套住宅、5 亿平方英尺商业办公和 1.6 亿平方英尺物流空间；Helix 在 100% 第一视角人类视频上训练后，无需任何机器人示教即可响应 go to the fridge 等自然语言指令，在杂乱真实家居环境中导航。
推荐理由：原文给出Helix仅用人类视频学会导航的训练方式与Brookfield数据合作的规模细节，可了解人形预训练数据路线的实际进展。
Figure AIAI 评分5252 Figure AI 的 Helix VLA 模型学会装载洗碗机
Figure AI 宣布其 VLA（视觉-语言-动作）模型 Helix 在不改动算法、不加特殊工程的情况下，仅凭新增数据学会装载洗碗机。Helix 能分离堆叠的盘子并按顺序装载，用一只手抓起玻璃杯、重新定向后由另一只手小心放置，还能应对杂乱起始状态并从抓取失误或碰撞中恢复。此前同一模型已完成叠毛巾和整理包裹任务，官方称这体现了单一通用系统随数据增量学习新能力的方向。
LimX DynamicsAI 评分4848 逐际动力发布 LimX DreamActor：Real2Sim2Real + 真机强化学习的具身智能训练新范式
逐际动力推出具身智能训练范式 LimX DreamActor，首次将 Real2Sim2Real、模仿学习与真机强化学习深度结合，形成「现实环境数据采集—仿真数据预训练—真机数据后训练」全流程。系统只需消费级相机拍摄即可完成多视角数据采集，经三维重建与物理参数对齐构建高拟真仿真场景，再用少量真机强化学习完成跨域迁移，旨在提升样本效率、收敛速度和部署稳定性。
Figure AI精选AI 评分6060 Figure AI 的 Helix 模型实现人形机器人全自主叠毛巾
Figure AI 的 VLA 模型 Helix 全自主完成叠毛巾，称是多指人形机器人用端到端神经网络完成该任务的首例。架构与训练超参数不变、仅新增数据集，可从混合毛巾堆取物、按初始形态调整折叠策略、纠正多抓错误，并用拇指描边、捏角等精细动作解开缠绕毛巾。
推荐理由：同一模型不加架构改动仅靠新增数据完成叠毛巾任务，展示了从物流到柔性物体操作的泛化路径。
Figure AI精选AI 评分7575 Figure AI 公布 Helix 物流部署三个月进展：单件处理 4.05 秒、条码成功率约 95%
Figure AI 发布 Helix 在物流环境部署三个月后的能力进展，单件处理时间从约 5.0 秒降至 4.05 秒，条码扫描成功率从约 70% 提升至约 95%，并新增处理 poly 袋、扁平信封等柔性包裹的能力。
推荐理由：原文给出数据规模与各架构模块的消融实验细节，读者可以据此理解物流性能提升的具体来源。
OFweek RoboticsAI 评分7171 NVIDIA Isaac GR00T N1开源人形机器人基础模型解读：双系统架构与合成数据工具链
本文解读NVIDIA于2025年3月GTC大会推出的开源人形机器人基础模型Isaac GR00T N1及配套的GR00T Blueprint合成数据工具链和Newton物理引擎。
Figure AI精选AI 评分6666 Figure AI 用强化学习让 Figure 02 人形机器人实现类人自然步行
Figure AI 发布端到端强化学习步行控制器，让 Figure 02 人形机器人在仿真中通过奖励模仿人类参考轨迹学会带脚跟触地、脚尖蹬地和摆臂的类人步态。训练在 GPU 加速物理仿真中并行进行数千台机器人，数小时收集数年仿真数据，结合域随机化与 kHz 级扭矩反馈控制实现零样本迁移到实机，10 台 Figure 02 运行同一神经网络无需单独调整。
推荐理由：原文给出 Figure 02 用强化学习实现类人步行的训练方法和仿真到现实迁移细节，可了解其技术路线。
FieldAIAI 评分4848 FieldAI 借助 NVIDIA Isaac 平台开发首个风险有界机器人基础模型 FFM
FieldAI 宣称开发了首个风险有界的 Field Foundation Models（FFM）机器人基础模型，可在无需先验地图、GPS 或云通信的条件下，让多形态机器人自主作业于危险、越野等非结构化工业环境，并已在数百个现场部署。