云深处科技密集发布五大成果构筑具身大脑完整版图
2026-10-26 15:20:17
具身智能的发展，已迈入真实场景规模化落地的新阶段。近日，云深处科技围绕自研具身大脑DEEPRobotics-Brain密集公布五项研究成果：世界模型DR-WM-1.0、具身基础模型DR-VLA-2.0、具身智能体DR-Agent、策略优化框架DR-APO和数据闭环平台DR-Benchmark。五项成果覆盖具身大脑全链路技术，勾勒出云深处具身大脑的清晰架构。
现阶段生成式世界模型用于机器人决策时有一个断层：像素空间的美学想象能力难以转换为用于具身智能的物理想象能力，云深处科技发布的DR-WM-1.0就直击这一断层。
云深处科技联合浙江大学、北京理工大学、清华大学、麻省理工学院和伊利诺伊大学发布的DR-WM-1.0，在四足领域的世界模型中首次引入摩擦力、粗糙度与刚度等物理特性，使得世界模型预测未来的画面，不仅真实还能符合物理规律。
这为缩小视觉真实感与物理真实性之间的差距提供了一条可分析、可验证的技术路径。以雨雪后的变电站巡检为例：面对一条湿滑近路与一条绕行路线，可以先分别“预演”，预判打滑、姿态失稳与前进受阻的可能，再结合安全风险与通行效率作出决策。
预演能力就位，得以走向真实的道路与工位——但下一个考验随即而来：如何更好地融入人类生活，理解人类的社交行为？
传统机器人示教依赖遥控操作，采集成本高，难以覆盖丰富的环境与交互情境。云深处科技联合来自麻省理工学院、伊利诺伊大学厄巴纳香槟分校、清华大学、浙江大学的研究者，探索“无动作标签的人类视频预训练—机器人示教适配”的四足机器人导航学习路径。团队构建的EgoLynx数据集，整合1万小时人类第一视角网络视频与2000段机器人示教片段，创新利用DISR模块，机器人得以从海量视频中学习行为模式、理解交通规则与导航规则、理解人类的意图、学会社交礼仪，进一步提升具身智能的拟人化程度。
DR-VLA 方法概览。左侧为人类第一视角视频，中间为三个专家及机器人数据，右侧为未来场景表示与预测轨迹。人类视频提供理解与预测监督，机器人示范进一步提供动作监督。
技术上，这是首个基于域不变场景表征（DISR）的四足机器人导航范式。在EgoLynx-Robot测试集评估中，导航综合评分QNS提升约5%，最终航向误差降低14.6%。在这项研究的助力下，机器人在社区与园区“最后一公里”配送等场景中，有望结合路线指令预判行人与障碍变化，更自然地融入人车混行的日常空间。
行走之外，精细操作是机器人落地真正的挑战。云深处科技提出自研原子运动坐标大模型，首次将语言控制与力反馈纳入同一运动坐标框架，把机械臂运动拆解为13个原子坐标（atomic coordinate），建立运动的“统一坐标语言”，让机器人“听得懂、看得见、感得到、改得动”，相关能力可延展至电力柜操作、连接器插接与零件对位等场景作业，具备重要的落地实用价值。
固定图像与状态时，仅改变正负原子提示，末端平移和旋转轨迹随之产生方向相反的响应
模型能力要持续变强，绕不开同一个问题：怎么训练？云深处科技联合浙江大学提出DR-APO——首个表征解耦的通用生成式策略强化学习框架，该框架克服了传统原生拟合中局部改进信号在多步生成过程中被削弱的难题，将策略改进与底层策略表征彻底解耦，进一步优化连续控制策略。
DR-APO 将优势引导的目标改进与适配策略表示的动作拟合结合，从连续控制验证到具身导航后训练
值得关注的是，云深处科技DR-APO的通用训练效果甚至超过了专模专训。在5项MuJoCo-v5连续控制基准测试中，DR-APO在扩散策略上十项指标九项第一、在流策略上十项指标全部第一，取得最佳单策略性能；在具身视觉导航后训练中，预训练模型NavDP的仿线%；在云深处科技山猫M20轮足机器人真实场景测试中，导航成功率从25%大幅提升至65%。
本次云深处科技联合加州大学圣地亚哥分校和浙江大学发布的DR-Agent 是首个面向持续演化世界的自进化4D信念具身导航智能体。团队针对“不可见物体移位后的持久导航”提出EvolvingNav方法：搭建时间索引的预测4D信念模型，配套事件驱动的“预测-观测-重规划”完整滤波器，让机器人结合抵达时间完成时序推理、依靠视觉完成目标校验——它拥有记忆，且能根据记忆不断优化行为策略，实现人机交互场景下记忆体系的动态迭代与持续更新。
云深处科技联合伊利诺伊大学厄巴纳香槟分校、香港科技大学、浙江大学、清华大学、麻省理工学院发布DR-Benchmark数据闭环平台，其核心数据集LynxScenes，是首个针对轮足机器人真实户外场景的大规模数据集，弥补了真实具身导航场景的数据缺失，填补了评测基准空白。
LynxScenes 总体框架，涵盖真实机器人采集、多模态观测、空间与行为mk体育官方网站标注，以及四项下游任务
基于云深处科技山猫M20轮足机器人，团队累计完成833.6小时、3294.7公里的线万个标注帧，提供三维物体、道路结构、行为指令与专家示范轨迹四类监督，覆盖27类物体、4类道路结构、3个层级、20类导航指令。LynxScenes首次将指令理解、环境感知、未来预测与场景重建四项任务统一至同一套线个代表性模型完成系统性“体检”，重新定义了具身导航的评测维度。