高德确认入局具身智能，首个成果发布！|具身|大模型|机器人|算法|高德软件

两大模型拿下10项SOTA，性能超越Pi0近30%。

作者 |程茜

编辑 |漠影

机器人前瞻2月12日报道，近日，阿里巴巴旗下高德正式发布首个具身智能成果ABot系列具身基座模型。

该系列模型包含具身操作基座模型ABot-M0与具身导航基座模型ABot-N0，根据其技术报告，这两大模型刷新了全球十项权威评测纪录，在具身导航与具身操作上均达到SOTA。

▲ABot-M0在Libero-Plus上的评测结果（上）、ABot-N0在Point-Goal上的评测结果（下）

其中，ABot-M0要解决的难题是机器人操作通用性，提升模型在多样化机器人形态和任务场景下的泛化能力；ABot-N0要提升机器人在动态、多干扰环境中的通用行动能力。

根据技术报告，搭载ABot-N0的机器狗可以完成“带我们去最近的公园放松一下”的复杂任务。该模型会首先解读用户的意图，并查询地形记忆库以获取目标坐标，随后分解为一系列中间子目标最终成功引导机器人到达最终目的地。

此外，为解决机器人在执行长程复杂任务时的任务拆解与容错问题，高德还提出了Agentic Navigation System具身导航系统框架，支持机器人在执行过程中持续感知、记忆、决策与纠错。该系统已部署于真实四足机器人平台。

今年1月，新浪科技曾援引知情人士报道，高德内部已组建具身业务部，并在全球范围内招揽具身智能产品专家及算法工程师。高德计划将世界模型作为底层大脑，探索包括人形机器人、机器狗在内的多元化产品形态，实现从数字导航到实体行动的跨越。

ABot-M0项目主页：

https://amap-cvlab.github.io/ABot-Manipulation/

ABot-N0项目主页：

https://amap-cvlab.github.io/ABot-Navigation/ABot-N0/

01.

ABot-M0：主攻机器人泛化性难题

三大主流基准测试拿下SOTA

机器人技术的规模化应用关键挑战之一在于数据的割裂、动作表示的不统一以及空间理解能力的不足。不同厂商、不同形态的机器人往往使用各自独立的数据体系，导致模型难以跨平台复用，训练效率受限，部署成本高。

高德推出的通用具身操作基础模型ABot-M0，从数据统一、算法革新、空间感知三个方面进行了系统性重构，可提升模型在多样化机器人形态和任务场景下的泛化能力。

在具身智能领域主流三大开源仿真评测基准Libero、Libero-Plus、RoboCasa测试中，该模型在包含复杂任务组合与动态场景扰动的设定下，平均任务成功率均达到SOTA。

在考验VLA模型在真实扰动下的脆弱性的Libero-Plus基准上，该模型得分达到80.5%，较Pi0提升近30%，展现了其在高扰动高难度具身操作任务中的优势。

▲ABot-M0在Libero-Plus上的评测结果

根据其技术报告，在训练数据方面，研究人员整合了整合超过600万条真实操作轨迹，涵盖9500多个小时的训练数据和20多个不同的机器人模型，为ABot-M0构建了目前规模最大的通用机器人数据集UniACT。

▲UniACT数据集概览

该数据集通过统一动作表示、坐标系与控制频率，并采用增量式动作建模，实现跨平台数据融合，可支撑完全基于公开数据的模型预训练。

训练策略上，研究人员采用了两阶段训练模式，第一阶段为大规模预训练，用于构建可泛化的动作先验，第二阶段为基于知识注入的空间感知监督微调。

第一阶段训练中，ABot-M0提出了全球首个动作流形学习，具体为有效的机器人动作受限于物理规律、任务目标与环境约束，集中分布在低维结构化的流形上。然后，研究人员通过AML（Action Manifold Learning）算法，使模型能够直接预测结构合理、物理可行的动作序列，以提升策略的稳定性与解码效率。

为增强机器人的空间感知能力，ABot-M0还引入了3D感知模块，可增强模型对前后、远近、遮挡等空间语义的理解。

▲三维信息注入流程

02.

ABot-N0：集成五大导航任务，全球首个！

在实际场景中，机器人需要在动态且存在干扰的环境里展现出通用的行动能力，如跨场景送物或跟随服务。但当前的机器人会受困于环境看不懂、动作做不准，无法执行“去门口帮我看看快递”等复杂指令。

基于此，高德推出了具身导航基座模型ABot-N0。

该模型在七大具身智能领域的基准测试CityWalker、SocNav、R2R-CE/RxR-CE、HM3D-OVON、BridgeNav、EVT-Bench中刷新了世界纪录。

其中在考验机器人在人群中社交导航能力的SocNav闭环仿真中，ABot-N0成功率（SR）提升至40.5%，在HM3D-OVON评测中成功率（SR）提升8.8%，表现优于此前的SOTA模型。

▲ABot-N0在多个数据集上的评测结果

根据技术报告，该模型以“全任务一统”为核心目标，全球首次在单一模型中完整集成Point-Goal（点位导航）、Object-Goal（目标导航）、Instruction-Following（指令跟随）、POI-Goal（兴趣点导航）与Person-Following（人物跟随）五大导航任务。

点位导航：机器人必须达到在局部坐标系中定义的精确度量坐标，作为稳健运动和避障的基础；

目标导航：机器人在未见过的环境中主动搜索并导航到特定对象类别，需要复杂的语义推理和多模态集成；

指令跟随：机器人必须执行长远、复杂的自然语言路径，重点在于语言输入与顺序动作执行之间的严格对齐

兴趣点导航：要求机器人识别特定的兴趣点并精确导航到其物理入口，连接室外和室内环境，同时解决最后几米的导航挑战；

人物跟随：涉及对动态人类目标的实时跟踪，代表了人机交互的一项关键社交能力。

这使得搭载ABot-N0的机器人可以完成“带我去奶茶店买一杯奶茶，再帮我占个座”的复杂指令。面对该需求，系统会分解导航任务：根据地图记忆接近奶茶店区域完成点位导航，切换至目标导航锁定店铺入口并靠近，触发指令跟随进入店铺并导航至柜台；最后执行目标导航，在店内寻找空沙发并停靠。

集成了五大导航的ABot-N0，能让机器人成功执行长程复杂任务。

▲ABot-N0架构图

高德在模型架构方面采用了层次化的“大脑‑动作”设计，并构建了业内最大规模具身导航数据引擎。

具体来看，“大脑‑动作”设计由“认知大脑”理解指令并做推理，由基于流匹配（Flow Matching）的“动作专家”生成精确且多峰分布的连续轨迹。训练层面，研究人员会先让模型做认知训练，再用部分认知数据和海量导航动作进行联合监督微调，最后用强化学习把导航决策对齐到人类偏好的行为价值，最终打造出真实环境中更通用的VLA基座模型。

其构建的具身导航数据集涵盖约8000个高保真3D场景等海量时空数据与近1700万条专家示例，包含7802个高保真三维场景，覆盖6.25公里的室内环境和4.42公里的室外环境。