resentation：将3D空间信息引入视觉—语言—动作建模，使模型不只依赖2D图像纹理和像素特征，能够显式感知物体位置、空间关系与操作目标之间的几何结构，具备更强的泛化能力。·Joint Dynamic Geometry Loss：将机器人关节动态信息与末端执行器几何约束融入训练loss，使模型从“模仿动作”升级为“理解真实动作结构”，从而减少轨迹漂移、姿态不连续和抓取失败，提升长时序任务中的执行稳定性。·Advanced VLM Task Decomposition：基于高级VLM backbone对复杂语言指令进行语义理解与任务拆解，将长流程操作分解为更清晰的阶段目标和可执行子步骤，避免局部动作正确但全局任务失败。·High-Quality Data Flywheel + Real-Robot Recap：构建高质量数据飞轮，以Recap真机实验为核心，闭环采集、训练、评测与反馈，持续吸收成功、失败及长尾场景的真实经验，提升从仿真benchmark到真实环境执行的迁移能力。这四项技术彼此耦合，使得空弈DobotWAM能够更稳定地完成多物体、多阶段、长时序的机器人操作任务，为具身智能的大规模落地提供了可复用的系统性框架。以多场景任务分类抓取、插充电器和插笔帽三项典型任务为例。它们看似日常，实则是高精度接触作业，要求模型不仅要识别目标物体的位置，还需理解插头与插座、笔身与笔帽之间的空间关系，并连续完成对准、接近、插入和闭合等动作，直接考验小目标定位与姿态估计、强几何约束下的末端控制以及接触过程中的稳定执行与误差修正三项关键能力。测试中，空弈DobotWAM大模型能够基于视觉观测完成目标定位，结合机器人自身状态实时生成动作，使机械臂在真实环境中稳定完成抓取以及充电器插接流程。在插笔帽任务中，模型准确判断笔身与笔帽的相对位置及开口方向，完成轴线对齐和精细插入动作，全程保持姿态稳定。三项任务的连续稳定完成，验证了空弈DobotWAM在真实物理世界中从空间理解、姿态控制到接触执行的完整闭环能力。具身智能走向真实世界，不能只依赖更大的模型参数，也不能只依赖单次演示中的亮眼表现。真正能够推动机器人规模化落地的，是一套同时具备空间理解、任务规划、精准执行和持续进化能力的模型系统。越疆空弈DobotWAM具身大模型正是沿着这一路径迈出的关键一步。未来，越疆将继续围绕真实机器人场
=*=*=*=*=*=
当前为第2/3页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页