苹果机器人HALO系统亮相:未建图环境任务成功率91%,代码全开源

🤖 由 文心大模型 生成的文章摘要

苹果在人形机器人领域抛出一枚“技术炸弹”。苹果研究团队在预印本平台arXiv提交论文《Perceptive Humanoid Motion from Simulation》,首次披露人形机器人自主控制系统HALO,并同步开源数据生成、模型训练和部署的全部代码。

HALO的成绩单颇具说服力。研究团队在6个未预先扫描或建图的真实环境中完成360次单项任务测试,平均成功率达91%。这意味着机器人无需提前“踩点”,就能在陌生空间里自主完成动作。不过,长序列复合任务的难度陡增:在单一真实场景中,3种任务组合各测试10次,平均成功率为70%;最复杂的“俯身通过障碍—走向目标—推箱子”组合10次仅成功5次,成功率50%。

HALO的训练路径依赖大规模仿真。团队使用250张英伟达H100 GPU,耗时约48小时合成主要训练数据;动作生成器以模仿学习训练,动用64张B200;动作跟踪器则经强化学习、策略蒸馏等步骤,使用4张H100。值得注意的是,仿真数据并未完全摆脱人工——新增物理任务仍需人工编写提示词、设计动作关键帧,部分动作还依赖人类视频或动捕素材。

研究团队坦承当前局限:机器人主要依赖视觉感知,难以直接感知接触情况。当物体离开相机视野或被遮挡时,涉及较多接触的任务表现明显下降。加入触觉感知被列为后续改进方向。这一短板也解释了复合任务成功率为何显著低于单项任务——长序列作业中,物体遮挡与接触判断的挑战被逐级放大。

与小米、Figure等厂商在工厂场景“闷声验证”不同,苹果选择将HALO全链路代码开源。从动作生成、跟踪到任务编排,再到仿真与真机运行,研究者可复现整套流程。这一姿态既可能意在吸引学术界共建生态,也暗示苹果在机器人赛道上更倾向于扮演“基础设施提供者”而非终端产品先行者。当行业还在争论人形机器人进工厂划不划算时,苹果先把工具箱摊开了。