【天风电新&汽车】机器人模型更新（1）：苹果HALO，用合成数据帮助真机数据进行scaling-1107 ——————————— 🌟论文成果 HALO要解决的问题是：以往训练机器人要大量的真机遥操数据，费时费力，那能不能直接让电脑模拟生成真机数据？ 论文通过提示词说明，直接生成机器人长序列动作，再通过场景生成，把机器人放进仿真房间，最后随机修改环境光照、机器人传感器噪点提高泛化性。 但这类研究最大的问题是sim2real的差距：仿真里跑得好好的，现实世界可能直接栽跟头。 论文的方案是让【合成数据要与现实对齐】，即【在仿真中复原现实世界的动作延时、电机实际输出与指令的差异】等。实际跑下来，#模型在仿真环境和现实环境的同类单任务成功率都达到91#%，基本解决简单任务sim2real的问题。 🌟投资端怎么看 1、继续强化分层架构逻辑：论文里S2用的Qwen3.6（350e参数）；S1用的Qwen3.5（20e参数）和一个扩散模型； 2、这篇论文重点在【解决合成数据的可用性】：今年开始ego这类数据成为模型预训练的主力军，但中训练和后训练仍多用真机数据，现在合成数据能帮助真机数据进行scaling； 3、论文里的训练数据仅摄像头的视觉数据。作者承认#缺乏触觉等其他模态数据，无法判断用力精度等问题；# 4、将虚拟场景与现实对齐时，作者实际测量了机器人实机的电机、相机等参数，说明干这个活和本体强相关，换一台机器人要重新标定。因此#有一套固定的本体、并基于本体搭建数据集更为有效。# 综上，利好的方向，多模态数采（触觉等）和本体厂。 ✅触觉&力传感：论文点名发展趋势在增加触觉，故直接利好铲子股数采手套-【福莱新材】，力传感-【安培龙】 ✅灵巧手+双臂：合成数据来自真机数据的补充，利好真机数采标的：机械臂【长盈】、【安培龙】（天机）；灵巧手-Sharpa链【禾赛】、【维宏】，灵巧手驱动模组核心玩家【浙江荣泰】。 ✅本体：模型训练的进步利好本体放量且需本体合作搭建数据集，重视争夺S1议价权的【上纬】，专注S0的【宇树】。

#精彩片段# 在机器人领域，能否凭一个demo判断公司的技术水平？答案往往是：不能。因为外界很难知道，团队在展示前是否已针对特定环境做过适配。哪怕只是提前几天到现场采集环境数据，都能让demo效果大幅提升。 但是苏度科技这家公司，敢在一个完全没有训练的新环境中去做演示。Sim2Real机器人“裸考”抓取，成绩如何，我们来看看吧。

机器人运动控制算法 C++ 工程化工程师（细分方向） 一、工业机器人运动控制工程师 技术/算法：轨迹规划（直线/圆弧/NURBS 样条）、梯形/S 形速度规划（五段/七段）、运动学正逆解（解析/数值）、牛顿-欧拉递推动力学、前馈补偿 工具/领域：Eigen、ROS 2 Control、OMPL、Linux + PREEMPT_RT、EtherCAT(SOEM)、1kHz 实时闭环 工程要点：S 形速度规划闭式公式、解析逆解奇异规避、EtherCAT 分布式时钟同步、抖动分布量化 二、协作机器人运动控制工程师 技术/算法：阻抗控制、导纳控制、基于广义动量的碰撞检测、重力/摩擦力前馈补偿、拖拽示教 工具/领域：Libfranka、FRI、ROS 2 Control、实时力控接口、ISO 10218 安全限幅 工程要点：动量观测器残差阈值、柔顺刚度/阻尼整定、安全响应时延 三、移动机器人运动控制工程师 技术/算法：底盘运动学（差速/阿克曼/麦克纳姆）、轨迹跟踪（MPC/LQR/Pure Pursuit）、局部规划（DWA/TEB）、EKF 多源融合 工具/领域：OSQP、ACADO、ROS 2 Control、Eigen、Gazebo 工程要点：MPC 约束建模（速度/加速度限幅）、Pure Pursuit 前视距离稳定性、轮速+IMU 融合 四、人形机器人运动控制工程师 技术/算法：全身控制(WBC)、双足步态（ZMP/捕获点/MPC）、浮基动力学、QP 接触力优化、零空间投影 工具/领域：Pinocchio、Crocoddyl、CasADi、OSQP、MuJoCo C++ API、摩擦锥不等式约束 工程要点：任务优先级分层、浮基系统建模、接触力可行域求解 五、具身智能运动控制工程师 技术/算法：RL 策略部署（PPO/SAC）、Sim2Real 补偿、领域随机化、系统参数在线估计（RLS） 工具/领域：LibTorch、ONNXRuntime/TensorRT、Eigen、推理延迟优化（量化/算子融合/异步） 工程要点：1kHz 推理管线、策略输出平滑与安全校验、递推最

现在加入具身智能，约等于在侏罗纪加入国军。路还很长很远…… 昨天宇树科技打新，币圈的谁中签了？我没中，一签赚20-30万RMB，羡慕坏了。 中不了？那就黑一波了，人型机器人十大谎言，看看你有没有中招: 1. “人形机器人马上就能量产走进千家万户了。”  实际是，能稳定在工厂干一个活就不错了，家用场景成熟度至少还得几年。 2. “我们的模型泛化能力极强，机器人什么都能学会。”  换个桌子高度、变个光照角度，可能就当场失灵。 3. “机器人成本降到10万就有市场了。”  10万只是硬件裸价，运维、调试、保险、停机损失都还没算。 4. “灵巧手自由度越高越好。”  自由度越高控制越难，真正能用上的场景反而更少。 5. “数据越多，机器人越聪明。”  垃圾数据喂再多也没用，数据质量比数量重要一百倍。 6. “人形等于通用，两条腿就能去任何地方。”  实际上，大多数工业或商用场景里，轮式方案比腿式稳定得多、也便宜得多，很多地方根本不需要腿。 7. “特斯拉Optimus量产了，行业就爆发了。”  特斯拉自己工厂都还在试点，离对外供货还远着呢。 8. “仿真环境练好了，迁移到真机自然没问题。”  Sim2Real的差距比想象中大10倍。仿真里跑100次都成功，真机第一次可能直接摔机。@axisrobotics 你怎么看？ 9. “人形机器人是终极形态，其他都是过渡。”  形态是由场景决定的。工厂用机械臂，物流用AMR，巡检用四足，工商业可能轮式更实用。人形不是终极答案，只是选项之一。 10. “开源具身大模型出来了，小公司也能弯道超车。”  开源模型只是入场券，不是护城河。真正的壁垒是真机数据、场景闭环和硬件迭代能力。没有机器人的公司，拿开源模型也练不出真东西。 #PhysicalAI# #EmbodiedAI# #robotics#