通过数据+赛事的双轮驱动，乐聚补齐了机器人落地的短板。
提起机器人，你脑海里浮现的是什么？
是春晚舞台上整齐划一、舞姿曼妙的舞林高手？还是展会上只会机械地递咖啡、转圈圈的气氛组？
在很多人印象中的机器人，虽然 Demo 看起来无所不能，但真要让它去厨房帮你拿个杯子，它可能下一秒就在地毯上表演平地摔，或者对着墙角陷入漫长的深度思考。
这种大脑想得美，小脑跟不上的尴尬现象，被研究者戏称为“两层皮”：决策层（大脑）满腹经纶，但执行层（小脑）却步履蹒跚；或者运控极其精准，却完全不具备应变能力。两套系统各说各的话，一到复杂场景就宕机。
这种断层，正是制约人形机器人从实验室走向真实场景的最大藩篱。
近日，乐聚机器人发布的科研框架 2.0，试图通过一套深度集成的“大小脑一体化”逻辑，打破这道阻碍机器人走进现实世界的围墙。
01
具身机器人卡在哪？
要理解乐聚科研框架 2.0 的目标与作用，必须先看清行业的痛点。
目前具身智能研发面临着软硬割裂、流程碎片化、研究与实际应用落差困局。
一方面，行业普遍将机器人的功能拆分为两个独立系统：
▪大脑（大模型/任务规划）：负责理解语义、拆解任务、自主决策。
▪小脑（运动控制）：负责平衡、运动、多关节协同。
这种架构看似分工明确，实则隐患重重。
机器人的大脑决策与小脑运控往往互不通、不同步，导致其在处理长时序复杂任务时表现僵硬，难以实现类人级别的应变。
另一方面，研发工具链极度分散，从数据采集、仿真训练，到真机部署的各个环节互不兼容，研发时要将大量精力耗费在环境适配和重复造轮子上，阻碍了算法创新。
研究人员常面临采数 1 天、调参 3 天、部署卡壳 1 周的窘境，这种碎片化导致大量精力被浪费在环节衔接上，而非核心科研。
此外，高质量真机数据的稀缺与硬件尺寸的限制，也使得研发成果往往局限于实验室 Demo，难以跨越Sim2Real（仿真到真机）的横沟。
02
大小脑一体化，终结思考与动作的断层
乐聚科研框架 2.0 的核心解法非常明确：重构大小脑的协同逻辑，实现感知、决策、执行的端到端打通。
在这套框架下，大脑与小脑不再是两套说不同方言的系统。该框架统一兼容了全尺寸机器人平台，确保了从顶层决策到底层硬件执行的高速通讯协议对齐。
这种一体化设计意味着，机器人在动作执行的过程中，大脑实时感知环境变化，并动态调整小脑的运控参数。
机器人的能力也会进化，从机械执行，到类人作业。
依托于 OpenLET 社区与乐聚 LET 全身运控/灵巧操作数据集，乐聚的小脑系统可以稳定输出高动态、流畅的动作。
与之相配合的是，大脑具备了极强的长程任务拆解与场景泛化能力。在调酒、分拣等多步骤复杂任务中，机器人可以自主规划路径，根据物品的摆放位置灵活调整抓取力度与角度。
长程任务全流程自主操作演示
现在很多研究机构使用的，是 1 米左右的中小尺寸机器人，但这会带来泛化难题：小机器人无法完成弯腰取地上的重物、伸手取高架上的零件等真人日常动作。这种空间受限的数据，在真实的工业或家庭场景中几乎没有落地价值。
乐聚科研框架 2.0 则引入了 1.70 米全尺寸全身实时遥操系统。
▪实时同步：支持真人动作的毫秒级实时同步。
▪全自由度：支持弯腰、下蹲、全身联动，完全贴合人类的作业姿态。
▪真实覆盖：1.7 米的身高确保了操作空间能覆盖真实的工业和家庭环境高度需求。
乐聚KUAVO5全尺寸全身遥操演示
通过这种全尺寸遥操，科研人员可以在更贴近现实的环境下采集数据、验证算法，让科研成果不再仅仅是实验室里的 Demo，而是直接面向可应用的真实任务。
以上种种转变，目的就是让机器人从简单的工具，升级为具备了思考+执行能力的智能体。
03
一站式工具全家桶：拒绝重复造轮子
具身智能研发的另一大门槛，在于极度碎片化的开发链条。与外界的理解相反，看似并不性感的工程适配，往往会占据大量研发时间，拖慢创新进度。
为了终结这种低效循环，乐聚科研框架 2.0 提供了一站式闭环工具链。
在小脑运控工具上，乐聚提供了三大核心仓库：
▪ Leju-GMR： 专注于动作重定向。它能精准地将人类的动作映射到机器人的关节上，确保数据采集的原汁原味。
▪ LejuLab-Train：内置多种任务范式。实现零基础上手，完成机器人行走、倒地起身和舞蹈的场景任务，解决以往研究中训练范式不标准、难以快速上手的问题。
▪ LejuLab-Deploy： 实现了跨机型的一键式快速部署。无论是中尺寸的教学演示机，还是全尺寸的工业实操机，都能做到开箱即用。
基于真人舞蹈轨迹的强化学习训练演示
在大脑的具身模型长程任务规划和泛化能力上，提供一整套训练推理部署的工具链和数据集。框架配套了高质量的具身任务数据集，开发者可以利用这些数据直接进行模型训练。
数据永远是 AI 最好的老师，但在机器人领域，高质量的专家数据极度稀缺。
为此，科研框架2.0还提供全尺寸全身实时遥操技术，支持真机数据采集和模型二次训练。
全身遥操提供的数据集、基准模型和部署框架，用户可以进行二次训练，部署到真机上进行高质量操作数据的采集。
这种全链路工具链的价值在于，它将开发者从底层代码的泥潭中拉了出来，让他们能专注在更具价值的算法创新上。
04
补齐落地最后一块拼图
有了框架和硬件，接下来就是如何让这套系统跑起来。
乐聚通过数据+赛事的双轮驱动，补齐了落地的短板。
就在前不久，开放原子具身智能开源数据集社区正式启动，并发布 OpenLET 全身运控数据集。该社区由开放原子开源基金会发起建立，乐聚机器人牵头建设，联合了一众具身智能企业和科研院校，是一个聚焦具身智能开源数据集和算法的社区。
目前，针对真机数据采集成本高、多模态数据零散的痛点，乐聚提供了开源的数据底座，里面包含了6 万+分钟的开源真机数据。这些数据覆盖了工业、商业、家庭等117 项原子技能，涵盖了力控、触觉、全身关节等全方位维度。
此外，乐聚还对接ICRA、天池、机器人及人工智能、挑战杯等高含金量赛事，为科研团队提供真机评测资源。
这种数据训练—算法迭代—赛事验证—产业转化的闭环，让算法不再只是论文里的跑分，而是能真正走出实验室，进入工厂和家庭。
可以看出，乐聚科研框架 2.0 的发布，不仅是一次简单的工具迭代，更是对机器人研发范式的重新思考。
通过将大脑的逻辑能力与小脑的运动能力深度整合，并辅以全尺寸硬件支撑和海量开源数据，乐聚正在实现普通人对机器人的最终幻想：让它不再是冷冰冰的执行机器，而是能够通过学习和思考，最终成为在复杂现实世界中工作的主体。
当大脑与肢体终于不再割裂，当机器人能够像人类一样，将思考与动作无缝融合，那些曾经只存在于科幻电影中的应用场景，才真正具备了商业化落地的可能。
未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。
热门跟贴