斯坦福 HomeBody：VLM 直接指挥机器人

斯坦福大学 TML 实验室的项目页显示，团队发布了一个叫 HomeBody 的人形机器人系统，卖点是砍掉了机器人控制里常见的一层专用模型，直接让通用视觉语言模型（VLM）指挥机器人干活。

跳过的是哪一层

传统人形机器人自主决策一般是三段式架构：一个"System 2"视觉语言模型处理视觉观察和指令、生成高层意图；一个专门训练的"System 1"视觉-语言-动作模型（VLA）把意图转成具体指令；再由"System 0"全身控制器执行协调动作。System 1 的 VLA 是需要针对具体机器人和任务单独训练的部分。项目页提出的问题是：随着 Astra 这类前沿 VLM 能力越来越强，System 2 能不能直接调度可复用的动作技能库，跳过专用策略训练？HomeBody 的做法是给前沿 VLM 配上持久化空间记忆和可组合人形动作技能，用"即插即用"的 VLM 直接调用技能库，取代原来需要额外训练的链路。

演示在一个此前从未见过的厨房里完成，由 Unitree G1 人形机器人执行，指挥它的是 GPT Astra。任务包括收拾厨房（把咖啡包收到台面中间，扔掉过期的牛奶和橙汁纸盒）和取药（药品一开始不在视野内，机器人需用记忆定位抽屉、开抽屉、取出药品交给人、再顺手扔掉坏纸盒）。整个过程没有用到针对该环境单独采集的训练数据，也没做额外策略学习。

部署三步

第一步探索：机器人在环境里走一圈，采集 0.5 倍速 iPhone 视频、D435i 深度相机画面、带 SLAM 的 LiDAR 扫描、关节姿态和 Astra 选定的路径点，让系统记住"在哪见过什么"，物体离开视野后也不会忘记。第二步 Real2Sim：用 Astra 作为"现实转仿真"代理，基于机器人自采数据在 Isaac Sim 里重建数字孪生，帮高层 VLM 对视野外位置进行推理。第三步接收日常任务指令，比如"收拾厨房"，系统结合空间记忆自主选择动作和目标，不需要逐步脚本。

动作技能库

技能库目前包含导航、抓取、放置和开抽屉四类，共享统一的目标与执行结果接口，方便 VLM 部署时组合调用；局部重试和视觉反馈可纠正动作失败，比如抓取偏了或移动被挡住时，系统据反馈修正下一步。机器人能在左右手间做选择：演示里用右手开抽屉取药，再用左手丢弃纸盒。

接下来看什么

受影响的主要是具身智能和人形机器人研发团队：这个项目提供了一条不依赖专用策略训练、直接复用前沿 VLM 推理能力的路线参考，尤其在长程、多步骤家庭场景任务里。项目页提供可交互 3D 演示，能对比 LiDAR 实测数据和仿真重建效果。接下来值得关注的是这套方法能不能扩展到厨房之外、技能库覆盖不到的场景，以及这条路线相比依赖专用 VLA 训练的传统方案，长期稳定性和成功率会不会有明显差距。