斯坦福发布HomeBody：为宇树G1打造模块化控制API

斯坦福大学 The Movement Lab 与加州理工学院近日公布了一项名为 HomeBody 的具身智能研究。团队将大模型 GPT Astra 接入宇树（Unitree）G1 人形机器人，使其在完全陌生的厨房环境中自主建图探索，并连续完成寻物、取药、丢垃圾和拉开抽屉等长序列日常任务。

不同于常见的“语音助手式”外挂方案，G1 在执行任务前并不知道物体的具体存放位置。机器人必须在自主探索阶段记录环境与空间坐标，在收到任务指令后检索历史信息，自主决策移动路径并调用对应技能。

值得注意的是，大模型并不直接下发关节控制指令。导航定位、轨迹规划、碰撞规避、视觉伺服和全身控制均在本地硬件实时运行，云端大模型只负责语义理解、技能调度以及执行失败后的逻辑重试。在行业普遍追捧端到端视觉-语言-动作（VLA）模型的趋势下，HomeBody 给出了一条分层解耦的工程路线。

构建标准化机器人技能 API

HomeBody 的核心突破在于重新规范了大模型与机械本体之间的交互接口。大模型完成环境认知后，通过结构化 Tool Call 调用具体技能，并传入标准参数：

• 抓取（Pick）：接收图像中归一化至 0–1000 的二维坐标点，并指定左手或右手执行；
• 导航（Navigate）：接收全局地图坐标系下的二维目标点与航向角；
• 放置（Place）：接收躯干坐标系下的三维放置点、执行手以及安全释放距离；
• 抽屉操作（Open Drawer）：将视觉对齐、扣挂把手与后退拉拽封装为一体化技能。

这种设计刻意规避了大模型直接输出末端轨迹。大模型只需在语义层面表达操作意图，底层技能接口再将意图转化为机器人遵循的几何约束。相比于将视觉感知与底层控制紧耦合的端到端 VLA 模型，标准化接口允许导航使用传统规划器、抓取采用解析几何方法、全身控制引入强化学习。只要遵循统一通信协议，系统便可灵活扩展底层运动能力。

统一空间记忆消除坐标割裂

任务跨越多个房间时，机器人无法仅凭当前画面推理几分钟前见过的药瓶坐标。HomeBody 让 G1 在正式作业前先探索环境，实时记录 RGB 相机画面、D435i 双目深度数据、激光雷达与 SLAM 信息、关节姿态以及航点记录。

随后，系统进入 Real2Sim 流程，将物理传感器数据重建进 Isaac Sim 仿真环境中：

1. 双层空间记忆：一层是语义记忆（某关键帧包含哪些物体），另一层是度量几何（拍摄该画面时机器人的精确绝对位姿）。
2. 多源数据配准：利用 Super Odometry 获取机器人在 SLAM 地图中的状态，再通过 ICP 算法将实测点云与仿真环境对齐，让二维图像像素与米制地图坐标无缝锚定。

收到取药指令后，大模型先从语义记忆中定位药瓶视觉线索，再提取关联的空间坐标引导机器人导航前往，彻底解决了大模型缺乏物理尺度与绝对空间感的问题。

从二维像素点到闭环厘米级抓取

当机器人走至柜前，任务精度要求从米级导航骤升至厘米级操作。抓取模块的执行链路包含多重闭环：

• 三维几何解算：系统以大模型给出的二维点提示分割模型切出目标，结合 Fast-FoundationStereo 双目深度估算与标定参数，将像素点云投射至三维相机坐标系，解析计算抓取位姿。
• 连续平滑轨迹：规划器生成样条参考曲线，通过 Minimum-Jerk 时序约束消除加速度突变，在逆运动学求解中对机械臂扫过的整体包络体积进行碰撞检测。

为抵消底盘晃动与视角漂移引起的误差，系统借助 SAM 2.1 与 SAMURAI 维持跨帧目标追踪，配合视觉伺服（Visual Servoing）动态修正机械手逼近角度。