河北
機器之心發布
讓人形機器人在移動中完成精細操作，一直是具身智能領域沒有被很好解決的問題。
過去的主流方案是把移動和操作拆成兩個獨立模塊：機器人先走到目標位置，停下來，再執行手部操作。這套邏輯在工廠流水線上勉強夠用，但放到真實世界里就會失效 —— 站姿決定抓取的可達范圍，軀干姿態影響手臂的施力方式，腳和地面的接觸條件決定全身平衡，而手部接觸動態又會反過來影響身體接下來的運動。移動和操作在物理上是耦合的，不能簡單拆成兩步走。
Current Robotics 今天發布全身靈巧操作模型Curr-0，通過Single Policy將移動控制、全身姿態協調和手部精細操作統一為一個端到端訓練的策略，運行在 70 + 自由度的人形機器人本體上，單一模型、共享權重，全程自主執行。
Curr-0 展示的任務包括撕開茶包、點香、文件蓋章、清理桌面垃圾，以及抱著玩具穿過門口蹲下放進籃子 —— 這些動作看起來簡單，但每一個都要求機器人在移動過程中實時調整全身姿態，并在接觸瞬間完成精細的力控。
Single Policy 背后的系統設計
Curr-0 的核心思路是把全身靈巧操作當作一個耦合的整體來訓練，而不是先訓練一個移動策略，再訓練一個操作策略，最后拼在一起。
系統內部分為三層：上層負責理解任務和語言指令，中層負責協調全身運動和姿態穩定，下層負責手部和物體的精細交互。三層不是按順序執行的流水線，而是在同一個閉環策略里實時協同運行，機器人可以在移動過程中同步調整全身姿態和手部動作。
數據怎么來：自研全身外骨骼采集系統
支撐 Curr-0 訓練的是21,000 小時真實人類行為數據，其中包含 2,800 小時全身示教數據，全部來自 Current Robotics 自研的HumanEx全身外骨骼數據采集系統。
HumanEx 是一套自研全身外骨骼數據采集系統，其特點是不需要操控機器人本體。人類只需穿戴設備即可在真實場景中完成數據采集，系統同步記錄全身姿態、關節運動、手部動作、本體感知、肌電信號和環境交互等多維數據。由于不依賴機器人本體，這套系統可以直接部署在工廠、實驗室、辦公室等多種真實場景里采集數據。
通過 HumanEx 的 Data Scaling。
Current Robotics 認為，數據并不是訓練模型的副產品，而是具身智能系統的核心基礎設施。這意味著數據規模的增長不再受限于機器人的部署數量，而是可以隨人類的真實任務行為持續擴大 —— 團隊把這條路徑稱為從 "機器人部署小時數" 切換到 "人類任務小時數"。
用世界模型解決評測和部署的規模化難題
除了數據和模型，Current Robotics 還在解決另一個長期被忽視的瓶頸：物理世界本身沒法規模化。
機器人每次真實測試都要消耗硬件、能源和人力，失敗了沒法回滾，場景沒法隨時重置。這直接限制了評測、后訓練和部署能跑多快、跑多大規模。
為此，團隊正在構建多物理模態交互世界模型，覆蓋視覺、本體感知和力覺信號，作為物理世界的可擴展替代品，用來做策略評測、后訓練和部署前的驗證。在這個基礎上，團隊還提出了 Human-in-the-World-Model 框架：策略在世界模型里跑，遇到錯誤或不確定的情況，人可以直接在世界模型里介入修正，修正的數據馬上用于后續訓練，從而讓評測、人工干預和后訓練形成一個閉環。
全棧布局：數據、模型、評測、部署
把這幾塊拼起來看，Curr-0 不是一次孤立的模型發布，而是 Current Robotics 在具身智能基礎設施上的一次階段性展示。
從 HumanEx 采集真實人類數據，到 Curr-0 端到端訓練出全身靈巧操作能力，再到世界模型支撐的評測和后訓練 —— 數據、模型、評測、部署這四個環節被串成一套可以持續迭代的體系。
隨著 VLA 模型和機器人本體能力持續進步，數據基礎設施與迭代閉環也開始受到越來越多關注。除了模型本身，Current Robotics 也在同步構建數據采集、評測驗證和部署迭代體系，靠這套體系的持續運轉來推動模型能力的提升。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
