λ₀：面向人形机器人全身移动操作的开源世界第一人称人类数据规模化
研究团队发布 HumanVerse 数据集，包含 500 小时开源世界人类移动操作数据，将第一人称视频与同步的身体和手部运动配对。其人类到人形机器人流程对齐相机视角与手臂外观，并离线优化运动参考和控制器输入以降低末端执行器误差。该流程在宇树 G1 上完成零样本迁移验证，无需目标任务的机器人演示。基于此训练的全身移动操作基础模型 λ₀ 在 SIMPLE 上成功率达 90.0%，真实世界移动操作任务平均成功率 62.5%。
发布于 10-22 13:01来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《$\lambda_0$: Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation》查看原链
arXiv:2610.18950v2 公告类型：替换。 摘要：人形机器人的移动操作需要与物理世界进行协调的全身交互，但大规模采集机器人演示数据成本高昂。 人类演示提供了可扩展的替代方案，但现有的第一人称人类监督数据往往缺少移动与姿态信息，而不同具身形态的差异和控制器动力学又会妨碍末端执行器的精确执行。
我们推出 HumanVerse，这是一个 500 小时的开源世界人类移动操作数据集，将第一人称视频与同步的身体和手部运动配对。 我们的人类到人形机器人流程对齐相机视角和手臂外观，并离线优化运动参考和控制器输入，以减少末端执行器误差，同时保持全身协调。
我们通过零样本迁移到宇树 G1 来验证该流程，在代表性的全身操作和长距离移动操作任务上，无需目标任务的机器人演示。 基于该流程，我们开发了 λ₀，一个用于全身移动操作的人形机器人基础模型，机器人对齐的人类演示为中训练提供监督。 增加全身人类数据能持续提升下游任务进展。
λ₀ 在 SIMPLE 上达到 90.0% 的成功率，在真实世界移动操作任务中平均达到 62.5%。 我们期望这项研究能指导可扩展的全身人类数据采集，推动人形机器人基础模型与物理世界进行更丰富的交互。 主页：https://lambdahumanoid.github.io/