星海图构建具身智能VLA模型，引领机器人智能新方向

星海图构建具身智能VLA模型，为机器人智能进化指引全新方向

在过去两年，机器人智能领域成绩斐然。斯坦福大学成功让桌面级机器人完成双臂系鞋带、操作透明物体等精细动作。凭借模仿学习技术，机器人已能处理家庭日常事务，甚至在医疗领域执行精细的缝线操作。

2025 年 3 月 13 日，在第三届具身智能机器人产业发展论坛上，星海图首席科学家赵行指出，将高质量真实数据与模仿学习相结合，是推动通用机器人智能发展的关键路径。在数据金字塔结构里，高质量真实数据处于顶端，数量虽少但质量极高;中间层是仿真数据，虽能借助计算机高效生成，却与真实世界有差距;底层的互联网数据容易获取，然而质量参差不齐且常缺乏动作相关信息。所以，合理获取和运用不同层级的数据，对机器人智能发展至关重要。

星海图借助模仿学习，运用高质量数据，让自家机器人完成了诸多复杂又有趣的任务，比如自动清理桌面垃圾、精准调配果汁等。全球不少机构，像斯坦福大学的一个课题组，都采购了星海图的机器人，用于衣物整理、货架摆放、家庭清洁等家务工作。

星海图是一家提供本体制造、智能研发及解决方案的全栈具身智能公司。发展过程中，常被问到三个问题：数据方面，该用真实数据、仿真数据还是互联网数据?算法上，开发模块化、端到端还是大模型算法?作为创业公司，如何获取数据并提升算法效率以控制成本?

这些问题的答案，藏在星海图的两项主要工作里。先看数据选择，过去两年，机器人具身智能领域技术突破不断，如斯坦福大学的 Aloha 系统让桌面级机器人双臂实现精细动作，还有机器人能完成家庭任务、医疗缝线等操作。从中可以看出，模仿学习和高质量真实数据结合，是通向通用具身智能的重要路径，也是目前业内认可度和技术收敛度较高的技术路线。

在具身智能的数据体系中，高质量真机采集数据质量最佳但数量稀少，处于数据金字塔顶端;中部的仿真数据生成效率高，可与真实世界有明显差距;底层的互联网数据获取容易，却质量不一且缺少动作信息。理想情况是获取顶端的高质量数据，星海图就通过模仿学习，利用高质量数据，让机器人完成桌面清扫、冲泡果汁等任务。

很多研究团队采购了星海图的机器人，斯坦福大学李飞飞课题组就用其完成一系列家务，这都借助端到端模型和高质量数据采集实现。

构建具身智能基础模型十分必要。一方面，具身智能机器人任务多样，需要一个统一架构的模型来集成各种任务，就像语言模型领域的 GPT、视频生成领域的相关模型一样;另一方面，模型能力应随数据质量和数量提升，在人工智能尤其是大语言模型范畴，模型规模、计算量和数据量能推动性能提升，不再依赖工程师手动调参或修改架构;再者，具身基础模型要具备广泛泛化能力，与传统机器人不同，能在全新环境和面对新物体时展现泛化效果，涵盖物体类内、类间、组合及跨任务泛化等。

星海图的具身基础模型分两个阶段。当前开发的第一阶段是基于模仿学习的 VOA 全身智能模型，类似大语言模型的预训练和后训练。预训练时，采用统一的 EOA 模型架构，用海量真机数据和自有 RSR 数据辅助;后训练针对特定垂直领域任务，只需少量真机数据，大幅降低单任务编辑数据成本。第二阶段，通过模仿学习和强化学习联合优化，实现全身智能和全自由度联合控制，完成更复杂任务并实现近乎零样本泛化。

除模型研发，星海图还关注空间智能。具身智能与传统视觉 AI 不同，机器人在物理世界作业，要理解三维空间和时间规律，为此推出业界首个具身智能的 Real to Seem to Real 引擎，即 RSR 引擎。RSR 引擎采用纯视觉方案进行数字孪生重建，数据采集仅用消费级设备，成本仅为专业设备的 1%。例如用手机在清华大学校园拍摄后进行三维重建，在 Real to Seem 环节，以纯视觉输入，运用基于 Gaussian Splatting 的算法进行三维重建，完成后能实现新视角渲染、几何结构重构以及语义和实例分割;seem to real 阶段则重构场景，生成新数据训练机器人操作和导航模型，提升其性能。

星海图的空间智能引擎 RSR 也分两个阶段。第一阶段利用 Gaussian Splatting 技术进行视觉孪生，重建机器人作业场景，还原精度达厘米级，构建大规模物体库和场景库，提升具身感知与导航操作能力;第二阶段采用泛化的三维视觉世界模型，重建开放场景，对动态、柔性物体建模，通过众包构建物体库和场景库，实现泛化的场景和空间理解，提高 EFM 数据利用效率。

空间智能与具身基础模型是星海图具身智能研发的关键工作。具身智能基础模型用于在线推理，构建数据闭环提升能力;具身智能引擎 RSR 是云端离线数据引擎，基于海量作业场景数据，进行高质量三维重建等工作，助力机器人实现高效泛化。通过空间智能引擎重构数字孪生场景或数据增广，还能解决真实世界高质量数据获取成本高的问题 。