近日，大曉機(jī)器人聯(lián)合香港中文大學(xué)多媒體實(shí)驗(yàn)室（CUHK MMLab）正式發(fā)布全新“一腦多型”具身操作VLA模型 ACE-Ego，并向行業(yè)開源。作為“以人為中心”ACE 研發(fā)范式在具身模型預(yù)訓(xùn)練的核心落地成果，ACE-Ego提出大規(guī)模第一視角人類視頻與多型機(jī)器人數(shù)據(jù)高效聯(lián)合預(yù)訓(xùn)練的新范式，在兩大國際權(quán)威具身智能基準(zhǔn)上雙雙領(lǐng)先，并在復(fù)雜零售場景中展現(xiàn)出強(qiáng)泛化落地能力，為具身操作模型的規(guī)?；葸M(jìn)開辟了全新路徑。

在國際公認(rèn)的人形機(jī)器人操作基準(zhǔn) RoboCasa GR1 TableTop 上，ACE-Ego 以72.8%的平均成功率刷新當(dāng)前最高紀(jì)錄，奪得榜首，大幅超越英偉達(dá) GR00T、PI π?.?、京東JoyAI-RA 等主流模型；在高難度雙臂操作基準(zhǔn) RoboTwin 2.0 的強(qiáng)域隨機(jī)化測試中，ACE-Ego 以90.62%的成功率展現(xiàn)出遠(yuǎn)超行業(yè)平均水平的環(huán)境魯棒性。

2025年12月，大曉機(jī)器人提出“以人為中心（Human-centric）” 的ACE具身研發(fā)范式，將人類與物理世界的互動規(guī)律作為核心研究起點(diǎn)，構(gòu)建了一套從“環(huán)境式數(shù)據(jù)采集—開悟世界模型3.0—具身交互”的全鏈路技術(shù)體系。源于對 “以人為中心” ACE 范式的深度踐行，不同于行業(yè)傳統(tǒng) “以機(jī)器為中心”、依賴大批量高成本真機(jī)遙操作數(shù)據(jù)的路線，ACE-Ego 將海量低成本的第一視角人類視頻轉(zhuǎn)化為可用于模型訓(xùn)練的有效監(jiān)督信號。通過統(tǒng)一相機(jī)空間動作表示、統(tǒng)一本體形態(tài)編碼、時間對齊動態(tài)分塊、可靠性自適應(yīng)目標(biāo)函數(shù)四大核心機(jī)制，它系統(tǒng)性破解了人與不同型號機(jī)器人數(shù)據(jù)在空間坐標(biāo)系、本體結(jié)構(gòu)、時序頻率、標(biāo)簽質(zhì)量上的四重異構(gòu)難題，實(shí)現(xiàn)使用大規(guī)模高質(zhì)量人類第一視角視頻與數(shù)千小時多機(jī)型機(jī)器人數(shù)據(jù)的協(xié)同訓(xùn)練。

實(shí)驗(yàn)結(jié)果證實(shí)了大規(guī)模第一視角人類視頻能夠有效提升VLA模型預(yù)訓(xùn)練和下游適配能力：在 RoboCasa 基準(zhǔn)上，引入第一視角人類視頻進(jìn)行聯(lián)合預(yù)訓(xùn)練，相比于僅使用機(jī)器人數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，模型成功率從 68.3% 提升至 72.8%，實(shí)現(xiàn)了4.5%的顯著性能跨越。充分證明了“以人為中心”的大規(guī)模數(shù)據(jù)預(yù)訓(xùn)練對提升具身模型泛化能力的巨大價值。

目前，ACE-Ego 已能穩(wěn)定完成塑料袋打包、鞋子裝入鞋盒等長周期、強(qiáng)接觸的復(fù)雜零售操作，覆蓋商品整理、打包履約等典型線下零售環(huán)節(jié)，突破了此前模型僅能完成簡單桌面抓取的能力邊界，為具身智能走向產(chǎn)業(yè)規(guī)?；涞靥峁┝烁咝詢r比的技術(shù)方案。

刷新兩大國際具身智能基準(zhǔn)，全面領(lǐng)跑通用操作模型

ACE-Ego 在RoboCasa GR1 TableTop 與 RoboTwin 2.0 兩大國際權(quán)威具身智能基準(zhǔn)上取得SOTA成績，顯著超越英偉達(dá) GR00T、PI π?.?、京東JoyAI-RA、螞蟻靈波LingBot-VLA、高德ABot-M0、小鵬DIAL等多款主流通用機(jī)器人模型。

在 RoboCasa GR1 TableTop 人形桌面操作基準(zhǔn)上，ACE-Ego 實(shí)現(xiàn)72.8%的平均成功率，大幅刷新榜單紀(jì)錄。該基準(zhǔn)基于 GR1 人形機(jī)器人平臺設(shè)置 24 項(xiàng)典型家庭任務(wù)，涵蓋18項(xiàng)抓取放置重排與6項(xiàng)鉸接物體交互，是衡量人形機(jī)器人通用操作能力的核心標(biāo)尺。

測試結(jié)果顯示，ACE-Ego 較第二名 小鵬DIAL模型（70.2%）任務(wù)成功率提升 2.6%，較英偉達(dá) GR00T-N1.6（47.6%）提升達(dá)25.2%，同時全面領(lǐng)先 京東JoyAI-RA（63.2%）、高德ABot-M0（58.3%）、FLARE（55.0%）等主流模型。性能增益覆蓋抓取放置、鉸接操作全品類任務(wù)，其中盤子疊放、托盤移鍋等任務(wù)成功率突破98%，證明其能力提升來自框架底層優(yōu)化，而非特定任務(wù)過擬合。

在 RoboTwin 2.0 雙臂操作基準(zhǔn)中，ACE-Ego 同樣穩(wěn)居VLA類模型榜首，展現(xiàn)出極強(qiáng)的環(huán)境魯棒性。該基準(zhǔn)包含50項(xiàng)覆蓋抓取、放置、工具使用、雙臂協(xié)同的復(fù)雜任務(wù)，設(shè)置干凈場景（Easy）與強(qiáng)域隨機(jī)化場景（Hard）兩種模式，其中 Hard 模式隨機(jī)改變光照、紋理、物體位置等條件，高度模擬真實(shí)世界不確定性。

ACE-Ego 在 Easy 模式下成功率達(dá) 91.12%，Hard 模式達(dá) 90.62%，超越騰訊混元Hy-VLA（90.9%/90.1%）、 京東JoyAI-RA（90.48%/89.28%）、螞蟻靈波LingBot-VLA（88.56%/86.68%）、PI π?.?（82.74%/76.76%）、生數(shù)Motus（88.66%/87.02%）、高德ABot-M0 （86.06%/85.08%）等對比模型。

從干凈場景到強(qiáng)隨機(jī)化場景，ACE-Ego 性能僅衰減0.5個百分點(diǎn)，遠(yuǎn)低于行業(yè)平均水平，意味著其習(xí)得技能具備極強(qiáng)的環(huán)境適應(yīng)性，更貼近真實(shí)商業(yè)部署要求。

零售場景全鏈路落地驗(yàn)證，實(shí)操能力解鎖商業(yè)價值

從鞋盒規(guī)整入盒、咖啡定量分裝，再到柔性塑料袋打包，ACE-Ego 在典型零售場景中展現(xiàn)出全棧式真實(shí)操作能力，覆蓋商品陳列、履約打包、貨品分揀等線下零售核心作業(yè)環(huán)節(jié)。

機(jī)械臂精準(zhǔn)識別鞋盒與雙鞋的空間位置，按照零售場景的標(biāo)準(zhǔn)陳列方位將鞋依次平穩(wěn)放入盒內(nèi)；隨后精準(zhǔn)定位鞋盒翻蓋的鉸鏈轉(zhuǎn)軸與邊緣，沿自然合蓋軌跡平穩(wěn)完成翻蓋扣合，全程無碰撞、無擠壓，展現(xiàn)出對鉸接類物體的幾何操作理解與精準(zhǔn)空間定位能力。

機(jī)械臂抓取咖啡勺后，從敞口咖啡罐中平穩(wěn)舀取定量咖啡豆，抬臂、平移、對準(zhǔn)杯口一氣呵成，精準(zhǔn)控制傾倒角度與速度將咖啡豆全部注入杯中，全程無撒漏。整套長時序操作連貫流暢，體現(xiàn)模型對長程動作序列的規(guī)劃能力與末端執(zhí)行的精細(xì)對準(zhǔn)精度。

機(jī)械臂抓取輕薄購物塑料袋的袋口，順勢撐開袋身形成穩(wěn)定容納空間，將目標(biāo)物品平穩(wěn)放入袋中后收緊袋口完成打包。全程應(yīng)對塑料袋柔軟易變形、無固定形態(tài)的特性，實(shí)現(xiàn)了柔性物體的穩(wěn)定抓取與形態(tài)操控。

四大核心機(jī)制破局異構(gòu)融合，解鎖人機(jī)協(xié)同預(yù)訓(xùn)練新范式

雙榜登頂與下游任務(wù)高效適配的卓越表現(xiàn)，源于 ACE-Ego 依托“以人為中心”的研發(fā)范式，對具身智能行業(yè)痛點(diǎn)實(shí)現(xiàn)的重大技術(shù)突破。面對人-機(jī)數(shù)據(jù)在空間、結(jié)構(gòu)、時間、訓(xùn)練監(jiān)督信號四個維度嚴(yán)重不匹配的行業(yè)挑戰(zhàn)，ACE-Ego 創(chuàng)新構(gòu)建了“大規(guī)模人類第一人稱視頻 + 多具身機(jī)器人數(shù)據(jù)”的全鏈路融合方案。通過自研的四大核心機(jī)制，ACE-Ego 分別從空間、結(jié)構(gòu)、時間以及訓(xùn)練監(jiān)督四個維度統(tǒng)一表示與對齊，徹底破解了人機(jī)數(shù)據(jù)不兼容的難題。這四大機(jī)制并行發(fā)力，成功支撐了大規(guī)模人機(jī)異構(gòu)數(shù)據(jù)的同框訓(xùn)練，將具身操作模型推入多源協(xié)同預(yù)訓(xùn)練的新階段。

機(jī)制一：第一視角統(tǒng)一動作空間表達(dá)，讓不同人與不同機(jī)型的動作 “說同一種語言”。ACE-Ego 以頭部相機(jī)坐標(biāo)系為統(tǒng)一基準(zhǔn)，將多機(jī)型機(jī)器人末端執(zhí)行器軌跡、不同人類視角視頻重建的手部運(yùn)動全部投影到機(jī)器人 “第一視角” 下，讓動作指令與視覺觀測對齊至統(tǒng)一坐標(biāo)系，免去跨平臺復(fù)雜坐標(biāo)校準(zhǔn)，新本體部署僅需替換一組相機(jī)外參。針對人類視頻，團(tuán)隊(duì)搭建多階段處理管線，覆蓋原始篩選、3D 手部重建、參數(shù)化映射與多輪質(zhì)量過濾等數(shù)據(jù)構(gòu)建機(jī)制，最終輸出與機(jī)器人完全同構(gòu)的動作向量，實(shí)現(xiàn)數(shù)據(jù)格式層面的無縫兼容。

機(jī)制二：URDF（統(tǒng)一機(jī)器人描述格式） 本體形態(tài)映射，讓模型知曉 “誰在做動作”。不同機(jī)器人的關(guān)節(jié)結(jié)構(gòu)、物理尺寸差異巨大，人體運(yùn)動模式與機(jī)器人更是截然不同。為此，ACE-Ego 創(chuàng)新性地將 URDF（統(tǒng)一機(jī)器人描述格式）映射為跨本體的統(tǒng)一中間層編碼。對于機(jī)器人，它通過解析 URDF 文件將運(yùn)動學(xué)特征編碼并輸入動作解碼器；對于人類數(shù)據(jù)，則通過學(xué)習(xí)專屬的“代理形態(tài)嵌入”來模擬人體結(jié)構(gòu)。這種“形態(tài)條件”僅在動作解碼階段注入，不干擾視覺語言主干網(wǎng)絡(luò)，不僅保留了主干網(wǎng)絡(luò)強(qiáng)大的通用視覺理解能力，更帶來了極快的新機(jī)適配速度——在面對 ARX 雙臂機(jī)器人等全新未知機(jī)型時，僅需不到 200 條動作數(shù)據(jù)，即可在極短時間內(nèi)完成適配部署。

機(jī)制三：時間對齊動態(tài)分塊，讓不同“手速”數(shù)據(jù)步調(diào)一致。不同機(jī)器人平臺控制頻率從10Hz到30Hz不等，固定幀數(shù)的動作塊對應(yīng)物理時長差異顯著，直接混訓(xùn)會擾亂時序邏輯。ACE-Ego 打破按幀切分的傳統(tǒng)做法，以物理時長為標(biāo)準(zhǔn)劃分動作塊，確保所有數(shù)據(jù)源預(yù)測相同時長的未來動作窗口；搭配分桶采樣策略，按任務(wù)類型、時序階段、塊長組合成批，大幅降低填充開銷，穩(wěn)定梯度更新，讓跨頻率數(shù)據(jù)的聯(lián)合訓(xùn)練平穩(wěn)落地。

機(jī)制四：可靠性自適應(yīng)目標(biāo)函數(shù)，帶噪聲數(shù)據(jù)“按需采信”。人類視頻數(shù)據(jù)中的動作標(biāo)簽由視覺算法重建獲得，動作標(biāo)簽帶有一定重建噪聲，若與高精度傳感器數(shù)據(jù)同權(quán)訓(xùn)練反而會拉低模型精度。ACE-Ego 設(shè)計(jì)了雙層訓(xùn)練目標(biāo)體系：機(jī)器人傳感器數(shù)據(jù)作為“準(zhǔn)確”監(jiān)督信號，全權(quán)重錨定核心控制精度；人類采集動作作為重要多樣性補(bǔ)充信號也參與訓(xùn)練，實(shí)行三級加權(quán)機(jī)制 —— 通道級重點(diǎn)采信高可靠位置信號，數(shù)據(jù)集級按重建質(zhì)量設(shè)置權(quán)重上限，幀級通過運(yùn)動平滑度動態(tài)過濾異常片段。這套 “信息過濾器” 既充分釋放了大規(guī)模人類視頻場景的多樣性潛力與行為廣度，又牢牢守住機(jī)器人高精度數(shù)據(jù)的質(zhì)量底線。

四大機(jī)制環(huán)環(huán)相扣，打通了 “人類視頻規(guī)?；瘮U(kuò)量 + 機(jī)器人數(shù)據(jù)保障精度” 的全新技術(shù)路徑，為具身操作模型的規(guī)?；?xùn)練打開了成本與規(guī)模的雙重增長空間。

大曉機(jī)器人將繼續(xù)深化“以人為中心”的 ACE 研發(fā)范式，將這一套高效的人機(jī)協(xié)同預(yù)訓(xùn)練方法推廣至更廣闊的空間。在模型層面，ACE-Ego模型系列將進(jìn)一步融合視覺－語言－動作（VLA）模型和具身世界模型（WAM），賦予機(jī)器人更強(qiáng)的物理世界想象力與預(yù)測能力；在應(yīng)用層面，該范式也將從當(dāng)前的復(fù)雜零售場景，加速拓展至工業(yè)產(chǎn)線、柔性制造等更多高精尖實(shí)體產(chǎn)業(yè)場景，以高性價比、高泛化性的技術(shù)路徑，全面加速具身智能的規(guī)?；虡I(yè)落地。

關(guān)于大曉機(jī)器人（ACE ROBOTICS）——讓機(jī)器人擁有聰明的“大腦”和有趣的“靈魂”

大曉機(jī)器人（ACE ROBOTICS）是加速具身智能智慧躍遷的機(jī)器人公司，由商湯科技聯(lián)合創(chuàng)始人、執(zhí)行董事王曉剛出任董事長，世界級AI科學(xué)家陶大程院士擔(dān)任首席科學(xué)家，公司匯聚全球稀缺的青年AI科學(xué)家及來自產(chǎn)業(yè)界的卓越專家，共同深耕具身智能領(lǐng)域，旨在通過突破性技術(shù)創(chuàng)新，對具身智能場景的深刻洞察，推動機(jī)器人自主理解和探索物理世界，加速具身智能的商業(yè)化場景落地。

大曉機(jī)器人首創(chuàng)ACE研發(fā)范式，構(gòu)建“環(huán)境式數(shù)據(jù)采集—開悟世界模型3.0—泛化具身模組”的全鏈路技術(shù)體系。大曉機(jī)器人以全時空多視角環(huán)境采集為引擎，國內(nèi)首個開源且已實(shí)現(xiàn)商業(yè)應(yīng)用的“開悟”世界模型3.0（Kairos 3.0）和具身基模型為技術(shù)基座，解決具身智能行業(yè)目前面臨的數(shù)據(jù)荒、常識差、泛化難、通用性不足等核心挑戰(zhàn)。大曉機(jī)器人同步重磅推出“具身超級大腦模組A1”，加速具身智能在安防、巡檢、服務(wù)等多元場景的規(guī)?；?、商業(yè)化落地。

大曉機(jī)器人不僅是技術(shù)的開拓者，更是生態(tài)的共建者。大曉機(jī)器人通過與頂尖的芯片廠商、硬件廠商、云服務(wù)商及垂直場景伙伴的戰(zhàn)略合作，共同打通“模型—硬件—場景”的產(chǎn)業(yè)閉環(huán)，提供標(biāo)準(zhǔn)化與定制化結(jié)合的解決方案，共同成為具身智能領(lǐng)域極具潛力的中國創(chuàng)新力量。