启元机器人也要“上手工”：一文看懂人形机器人是怎么学会干活的

中心问题机器人学会一个动作中间到底发生了什么本文不铺开全景只把这一条链路讲透。一个常见的误解是机器人会干活是因为工程师给它写好了遇到 A 就做 B的程序。事实上让人形机器人比如走过去拿一个杯子、把垃圾扔进桶里、给同事递一杯水学会一个动作靠的不是逐行代码而是一套先有人教、再让模型自己练、最后安全地搬到真机上的流程。这套流程里没有魔法只有三件事反复发生采集示范、用数据训练策略、把策略放到真机上跑。本文属于具身智能Embodied AI让人工智能拥有身体、能在物理世界里感知并行动的研究方向的科普范畴。我们只回答一个问题机器人学会一个动作中间到底发生了什么。1. 总览让机器人学会一个动作要走过哪几步图1 说明把整条链路压缩成三步示范 → 训练 → 部署。人先通过遥操作Teleoperation人远程操控机器人、把自身动作实时映射成机器人动作的方式示范一遍怎么干随后这些示范和仿真里生成的海量数据一起用来训练一个策略Policy从看到什么到该做什么动作的映射函数通常是一个神经网络最后把策略部署到真机让它脱离人、自主完成任务。但这三步之间有一道常被忽略的坎仿真里训练出来的策略直接上真机往往会失灵——这就是后面的 Sim-to-Real 鸿沟。先记住这张图后面四个概念都是它的注脚。2. 概念一遥操作与模仿学习——人示范模型学图2 说明模仿学习的数据流——人用主手、VR 头显或数据手套遥操作示范一遍系统同步记录相机画面、关节角度、夹爪状态与语言指令形成画面—动作—指令对齐的数据集再用行为克隆去拟合这套映射。打个比方这就像你教一个从没进过厨房的新同事切菜。你握着他的手示范一遍左手扶稳、右手下刀、力度先轻后重他记住的不是你写下的菜谱而是你手腕的角度、下刀的节奏、遇到硬节时手腕怎么调。机器人学的也是这套动作的样子而不是一堆规则。技术上说模仿学习Imitation Learning让模型从专家示范中直接学习观测→动作映射的方法把人的示范记录成一条条状态—动作成对数据再用行为克隆Behavior Cloning把示范当作监督学习样本、让模型去拟合专家动作的训练方式来拟合。采集时操作员通过主手leader arm、VR 头显、外骨骼或数据手套操控机器人系统同步记录相机画面、关节角度、夹爪状态和自然语言任务指令形成一份画面—动作—指令对齐的数据集。为什么需要它因为很多灵巧动作比如捏起一片薯片、把插头对准插座、拧开瓶盖很难用程序写清用多大力、什么角度、何时换手。早期机器人主要靠真机遥操作采集但机器人本体数量有限、效率不高现在第一视角、数据手套等轻量化采集正在兴起可以直接记录人在真实场景里的操作过程。开源社区里ALOHA2023 年提出的低成本双手遥操作方案让用几分钟数据学精密操作成为可能Hugging Face 的 SmolVLA 文档给出的起步建议约为 50 条示范注意这是项目经验不是通用定律复杂任务或柔性物体往往需要数百条以上且数据多样性比单纯数量更关键。采回来的数据还要统一格式才能训练常见的有 HDF5ALOHA 采用、RLDSOpen X-Embodiment 采用与 Hugging Face 的 LeRobot 格式关键不是格式本身而是时间戳对齐、动作空间与策略输出保持一致否则模型会学错看到什么才动。一个常见误解示范再好也只是专家认为对的样子。模型只会模仿它见过的分布遇到没见过的物体摆放或光照可能直接失误——所以光靠模仿不够还要靠下面的训练方法补强。3. 概念二强化学习与仿真训练——在虚拟世界里试错千万次图3 说明MuJoCo 交互式调试窗口中的 Q1左侧是关节与传感器面板中间是实时推进的仿真画面。「在虚拟世界里试错」这句话落到实处就是这个画面——改一个关节角度立刻能看到后果成本为零。图4 说明强化学习的闭环——策略输出动作环境这里指仿真返回新观测与奖励分策略按奖励更新。这个循环可以在一块 GPU 上并行跑成千上万份副本把现实中几年的试错压缩成几小时。可以这么理解这像训练小狗——做对了给零食奖励做错了没有奖励甚至被纠正它自己慢慢摸索出怎样更容易拿到零食。机器人学走路、学保持平衡、学跳过障碍用的也是同一套给分—试错逻辑。准确地说强化学习Reinforcement Learning, RL智能体通过奖励/惩罚信号在试错中优化策略的机器学习分支给机器人定一个目标和一套奖励函数Reward Function对每一步动作打分、定义什么算做好的函数。以四足机器人学走路为例奖励常包含前进速度越高分越高、保持站姿不倒加分、身体高度接近目标值加分、关节用力过猛扣分、偏离直线扣分。MathWorks 公开的 quadruped DDPG 教程里这套奖励函数要跑数千个 episode 才能收敛出一个走直线、像人、不抖腿的策略。关键在仿真让真机器人每天摔一百万次既不现实也修不起。于是先在计算机里造一个遵循重力、摩擦、碰撞规律的虚拟机器人在一块 GPU 上同时跑成千上万个副本——把几年的试错压缩成几小时。Ekumen Labs 用一台 RTX 3070 笔记本 GPU借助 NVIDIA Isaac Lab 并行训练虚拟 Spot 机器狗从站都站不稳一路训到靠深度相机绕开障碍全程没有手写一行步态代码能力完全从奖励塑形和 GPU 规模试错中涌现。官方示例选题里就有这么一个案例“把机器狗训练了 3800 轮最好成绩却在第 600 轮”这两个数字出自官方示例选题的标题本身不是本文的实验记录。它点出了强化学习的一个真实现象——训练曲线并非单调上升模型可能在早期就碰到还不错的解后面因为继续探索或奖励函数有漏洞反而变差甚至钻空子走捷径。奖励工程reward engineering因此常被叫作对抗式调试你以为在教它走路它却可能学会躺平最安全或翻个跟头蹭一下高分。这说明 RL 很强但需要小心设计。但要提醒一句仿真里的无限试错不等于真机自由。仿真省的是算力省不掉的是仿真和现实是否足够像这个问题——这就引出下一个概念。4. 概念三Sim-to-Real——仿真到真机之间那道鸿沟一个贴近的比喻你在驾校模拟器上把倒车练得行云流水第一次开真车上路却因为座椅高度、后视镜角度、真实油门迟滞而手忙脚乱。仿真训练与真机部署的关系和这几乎一模一样环境规则相似但手感完全不同。技术上讲仿真到现实鸿沟Sim-to-Real Gap仿真里表现好、真机上失灵的性能落差来自多层差异可分成四类视觉差距光照、纹理、相机噪声、镜头畸变动力学差距摩擦系数、质量、接触刚度、材料弹性控制差距执行器延迟、死区、控制频率不同流程差距物体摆放方式、人为操作差异。这些小误差会沿控制闭环累积——相机偏几毫米抓取点就跟着偏控制器晚几十毫秒响应接触瞬间就过了目标。最典型的失败模式是策略钻空子在软件里做出真机根本达不到的抓取精度依赖并不存在的无摩擦接触结果一上真机就崩。应对方法是域随机化Domain Randomization训练时不断随机化视觉与物理参数、让策略无法依赖某个理想条件的方法。经典研究Tobin 等IROS 2017只用随机纹理、光照、相机位姿的合成图像训练就让网络在真实世界里把物体定位到约 1.5 厘米精度且一张真实训练图都没用。更著名的验证是 OpenAI Dactyl灵巧手在仿真里学会单手复原魔方真正在真手上实现要到 2019 年仿真早在 2017 年就已跑通中间这两年正是鸿沟留下的印记。工程上常见的务实流程是一个闭环仿真预训练 → 参数辨识 → 虚实同步 → 真机微调而不是指望一次迁移就成功。经验上物理参数随机化要保守围绕真机实测值小幅波动视觉参数可以更激进最后用少量真实示范收尾。除了从仿真往真机搬sim-to-real反过来用真机实测数据去修正仿真real-to-sim例如扫描真实工作间、标定关节摩擦也越来越常用两者结合形成虚实互哺的闭环比单向迁移更稳。【实测提示】域随机化不是玄学在 MuJoCo 里就是给 XML 模型加几行随机化参数把摩擦系数、执行器增益、初始姿态各设定一个波动区间每轮回放时在其间随机取值训出来的策略自然学不会赌一个理想环境。本文实测用的 Q1 URDFq1_v3.xml里关节阻尼、摩擦都是明文可改的参数——读者可以自行把摩擦调大三倍再回放同一条轨迹观察策略失稳的过程这比任何文字描述都直观。需要澄清的是Sim-to-Real 不是把画面做得越逼真越好而是找到哪些差异会改变任务结果让策略对这些差异不敏感。这道鸿沟不会彻底消失但能被持续收窄。5. 概念四VLA 模型——让机器人看指令、想一下、再动手图5 说明VLA 模型的结构——图像与语言指令一起编码进同一个模型直接输出动作序列。看懂和动手合并进一个神经网络不再拆成独立的感知模块与控制模块。类比到日常你同事接到一句把桌上那个快掉下去的袋子接住他先看一眼感知、在脑子里判断该迈哪只脚伸手思考、然后动手。VLA 模型让机器人走完的也是看—想—动这三步只不过它脑子里的判断是神经网络的一次前向计算。技术上视觉-语言-动作模型Vision-Language-Action, VLA把图像和语言指令直接转成机器人动作序列的端到端模型把看懂和动手合并进一个神经网络。Google DeepMind 的RT-22023 年 7 月发布arXiv:2307.15818是代表性工作它在网页图文上预训练再把动作表示成类似语言的 token比如一串1 128 91 241 …的编号让同一个模型既能理解语言又能直接输出机器人动作。在约 6000 次机器人试验中RT-2 在见过的任务上和前代 RT-1 持平在全新未见过的场景上成功率从 RT-1 的 32% 提升到 62%约翻倍说明网页规模的语义知识能被迁移到动作执行。NVIDIA 的GR00T N1GTC 2025 发布被称为首个开放、可定制的人形机器人基础模型采用双系统架构正好对应想与动系统 2 是慢思考的视觉-语言模型负责理解环境与指令、做规划系统 1 是快思考的扩散 Transformer把规划翻译成连续、精确的动作。GR00T N1 的训练数据同样呈金字塔结构底层是互联网和人类视频中间是合成数据顶层是真实遥操作数据。合成扩增的关键一笔是神经轨迹——用图生视频模型对88 小时真实遥操作数据做微调后批量生成最终扩增到约827 小时接近 10 倍来源arXiv 2503.14734 §4.3。这里要提醒一句口径问题英伟达在 GTC 2025 的宣传里另有11 小时生成 78 万条合成轨迹、相当于 6500 小时人类示范的说法。那是发布会宣传口径与论文给出的 88h→827h 不是同一套统计方式引用时务必注明是哪一个否则会把两个数混着用。还有一点要说清楚VLA 不是机器人有了意识它只是把互联网里学来的语义知识和机器人动作做了端到端对齐。它仍然依赖前面三步示范数据、RL/模仿训练、跨过 Sim-to-Real 鸿沟提供的高质量流程才能稳定干活。6. 现状速览今天走到了哪一步图6 说明GR00T N1 论文页。今天的 VLA 模型能做到什么程度论文的实验章节是最可靠的标尺。客观地说机器人学会干活已经从实验室走向可复现的工程链路数据采集侧真实具身数据的采集成本远高于文本语料——一条高质量遥操作轨迹需要真人示教、记录与清洗这决定了具身数据的规模扩张天然慢于互联网文本。数据稀缺仍是行业公认的瓶颈行业规模的量化口径各家不一本文不引用未经核实的数字。模型侧GR00T N1、RT-2 等公开工作证明VLA 能把语言理解迁移到动作执行在未见任务上显著提升泛化双系统架构慢思考规划 快思考执行正成为主流范式。训练侧单张消费级 GPU如 RTX 3070/4090已能在数小时内完成灵巧操作或运动策略的训练门槛在快速下降合成数据流水线如 GR00T-Mimic把几条示范放大成几十万条轨迹大幅缓解真实数据采集成本。但必须诚实长时序long-horizon多步连贯任务、高泛化跨场景跨物体与真机可靠安全、稳定、可恢复仍是开放问题远没到扔给机器人一句话就万事大吉的程度。7. 想动手从启元开发者社区开始图7 说明启元开发者学堂dev.primebot.com/learn官方教程与课程入口适合作为上手第一步。图8 说明启元开发者社区资料下载页SDK、URDF 仿真包、工具链按机型分发无需真机即可开始。理论看再多不如让机器人自己跑一遍。启元机器人已经把从仿真到真机的链路开源出来开发者可以零真机起步数字孪生先跑通Q1 / T1 的URDFUnified Robot Description Format描述机器人连杆、关节、质量等结构的 XML 格式V3.0 已在开源组织放出可在 MuJoCo、Isaac Sim 里加载先在电脑上养一台虚拟机器人验证运动学、动力学与轨迹规划。开发工具链启元提供三套编译工具链ARM 原生 / x86 交叉编译 ARM / x86 原生与PrimeConsole桌面调试工作台。PrimeConsole 内置机器人仿真、动作与表情测试、Skill 验证等模块能先仿真验证再上真机降低调试风险——涉及力控与形态切换的功能尤其建议先在仿真里充分验证。开源仓库与资料包Q1 SDK、T1 SDK、PrimeHub 开发工具包均已开放想看代码可前往启元在 AtomGit / GitHub 的开源组织。笔者按上面这条路径做了一次实测只下载官方资料包Q1/T1 URDF v1.0.0、装一个 MuJoCo3.17.0不连任何真机十几分钟就在自己电脑上养出了一台虚拟启元机器人。Q1 的模型自带 23 个关节、29 维广义坐标加载后直接渲染图9 说明Q1 官方模型在 MuJoCo 中的正面视角。这就是数字孪生最直观的样子——机器人还没出厂你电脑上已经有一台了。T1 则以趴姿作为初始状态四条腿的髋、膝、足关节共 14 个电机都在模型里定义好了图10 说明T1 官方模型特写。想让它站起来需要自己写一个 PD 控制器去驱动 14 个关节——这恰好是入门机器人控制最好的第一个练习题。光有身体还不够还得看动作数据长什么样。PrimeConsole 安装包里内置了 Q1 的官方预设动作库115 个动作分社交礼仪、音乐舞蹈、情绪反馈等 14 类每个动作是一份 120 帧每秒的关节角度轨迹文件。把招手这份轨迹逐帧灌进 MuJoCo 回放就能看到官方示教数据的真容图11 说明官方招手动作编号 3001时长 4.00 秒 / 480 帧的六帧等间隔回放。可以看到右肩外展、右肘收拢后小臂做往复摆动左臂全程保持自然下垂——这就是一条示教轨迹的直观形态不是一段视频而是一张逐帧记录每个关节角度的数值表。把四个官方动作招手、握手、舞蹈、摇摆的关节角度画成随时间变化的曲线差异一目了然图12 说明四个官方动作的关节角-时间曲线。招手是右肘的高频往复握手是右肩的一次慢速抬放舞蹈是肩肘的反相振荡摇摆是腰与肩的低频大幅摆动。机器人记住一个动作记住的就是这样的曲线——模仿学习学的这份曲线来自人类示范强化学习则靠奖励函数把它练出来。这段回放实验和第 1、3 节讲的两个概念正好对上所谓示教产出的就是这种逐帧关节角度表所谓策略就是一个吃进当前画面、吐出下一帧角度的神经网络。理解了这一层机器人学习就不再抽象。对想写代码、做二次开发的读者最小目标是让虚拟机器人动一下——按征文规则第 2 条把第一个可运行工程整理成仓库上传 AtomGit 并在文中附链接这比一上来就想训大模型更务实。启元 Q1 标称站立尺寸 88×39×18 cm、约 16 kg、全身 22 自由度来源《启元Q1用户手册》第 19 页「参数规格」表参数以官方最新文档为准足够作为学习具身智能的实体对象。8. 小结回到开头那个问题机器人学会一个动作中间发生的是——有人示范、模型模仿、在仿真里靠奖励反复试错、跨过仿真到真机的鸿沟、最后由一个能看指令—想—动的VLA 策略在真机上执行。每一步都有公开的方法和可复现的工具而不是黑箱魔法。理解这条链路你再看任何机器人又学会了一项新技能的新闻都能拆出它背后到底走了哪几步。想亲手试就从启元开发者社区的开源 URDF 与仿真环境起步——让虚拟的它先动起来再谈让它去真机上干活。本文涉及的 Q1 SDK、ROS 2 接口和 PrimeConsole 开发资料可通过 启元机器人开发者社区 查阅。#AtomGit × 启元机器人具身智能原创内容征文活动#