机器之心发布
让人形机器人在移动中完成精细操作，一直是具身智能领域没有被很好解决的问题。
过去的主流方案是把移动和操作拆成两个独立模块：机器人先走到目标位置，停下来，再执行手部操作。这套逻辑在工厂流水线上勉强够用，但放到真实世界里就会失效 —— 站姿决定抓取的可达范围，躯干姿态影响手臂的施力方式，脚和地面的接触条件决定全身平衡，而手部接触动态又会反过来影响身体接下来的运动。移动和操作在物理上是耦合的，不能简单拆成两步走。
Current Robotics 今天发布全身灵巧操作模型Curr-0，通过Single Policy将移动控制、全身姿态协调和手部精细操作统一为一个端到端训练的策略，运行在 70 + 自由度的人形机器人本体上，单一模型、共享权重，全程自主执行。
Curr-0 展示的任务包括撕开茶包、点香、文件盖章、清理桌面垃圾，以及抱着玩具穿过门口蹲下放进篮子 —— 这些动作看起来简单，但每一个都要求机器人在移动过程中实时调整全身姿态，并在接触瞬间完成精细的力控。
Single Policy 背后的系统设计
Curr-0 的核心思路是把全身灵巧操作当作一个耦合的整体来训练，而不是先训练一个移动策略，再训练一个操作策略，最后拼在一起。
系统内部分为三层：上层负责理解任务和语言指令，中层负责协调全身运动和姿态稳定，下层负责手部和物体的精细交互。三层不是按顺序执行的流水线，而是在同一个闭环策略里实时协同运行，机器人可以在移动过程中同步调整全身姿态和手部动作。
数据怎么来：自研全身外骨骼采集系统
支撑 Curr-0 训练的是21,000 小时真实人类行为数据，其中包含 2,800 小时全身示教数据，全部来自 Current Robotics 自研的HumanEx全身外骨骼数据采集系统。
HumanEx 是一套自研全身外骨骼数据采集系统，其特点是不需要操控机器人本体。人类只需穿戴设备即可在真实场景中完成数据采集，系统同步记录全身姿态、关节运动、手部动作、本体感知、肌电信号和环境交互等多维数据。由于不依赖机器人本体，这套系统可以直接部署在工厂、实验室、办公室等多种真实场景里采集数据。
通过 HumanEx 的 Data Scaling。
Current Robotics 认为，数据并不是训练模型的副产品，而是具身智能系统的核心基础设施。这意味着数据规模的增长不再受限于机器人的部署数量，而是可以随人类的真实任务行为持续扩大 —— 团队把这条路径称为从 "机器人部署小时数" 切换到 "人类任务小时数"。
用世界模型解决评测和部署的规模化难题
除了数据和模型，Current Robotics 还在解决另一个长期被忽视的瓶颈：物理世界本身没法规模化。
机器人每次真实测试都要消耗硬件、能源和人力，失败了没法回滚，场景没法随时重置。这直接限制了评测、后训练和部署能跑多快、跑多大规模。
为此，团队正在构建多物理模态交互世界模型，覆盖视觉、本体感知和力觉信号，作为物理世界的可扩展替代品，用来做策略评测、后训练和部署前的验证。在这个基础上，团队还提出了 Human-in-the-World-Model 框架：策略在世界模型里跑，遇到错误或不确定的情况，人可以直接在世界模型里介入修正，修正的数据马上用于后续训练，从而让评测、人工干预和后训练形成一个闭环。
全栈布局：数据、模型、评测、部署
把这几块拼起来看，Curr-0 不是一次孤立的模型发布，而是 Current Robotics 在具身智能基础设施上的一次阶段性展示。
从 HumanEx 采集真实人类数据，到 Curr-0 端到端训练出全身灵巧操作能力，再到世界模型支撑的评测和后训练 —— 数据、模型、评测、部署这四个环节被串成一套可以持续迭代的体系。
随着 VLA 模型和机器人本体能力持续进步，数据基础设施与迭代闭环也开始受到越来越多关注。除了模型本身，Current Robotics 也在同步构建数据采集、评测验证和部署迭代体系，靠这套体系的持续运转来推动模型能力的提升。
热门跟贴