ACE-Ego – 大晓机器人携手港中文推出一脑多型开源VLA模型

ACE-Ego核心优势

1. 性能领先国际基准
   • 在人形机器人操作基准 RoboCasa GR1 TableTop 上，以 72.8% 的平均成功率刷新纪录，大幅超越英伟达GR00T（47.6%）、京东JoyAI-RA（63.2%）等主流模型。
   • 在双臂操作基准 RoboTwin 2.0 的强域随机化测试中，达成 90.62% 的成功率，环境适应性极强——从干净场景到随机化场景性能仅衰减0.5个百分点，远优于行业平均水平。
2. 突破“一机一模型”行业瓶颈
   • 实现 “一脑多型”能力，即同一模型可适配人形机器人、机械臂、四足机器人等不同硬件形态，新机型部署仅需不到200条动作数据，显著降低适配成本。
3. 训练成本大幅优化
   • 通过融合海量低成本人类第一视角视频（如日常操作录像）与机器人数据，将人类视频转化为有效监督信号，相比纯依赖高成本真机遥操作数据的方案，训练效率提升显著。

ACE-Ego技术原理

1. “以人为中心”的ACE研发范式

摒弃传统“以机器为中心”的路线，将人类与物理世界的互动规律作为核心起点，构建“环境式数据采集—开悟世界模型—具身交互”全链路技术体系，重点解决人机数据在空间、结构、时序、标签质量上的四重异构难题。

2. 四大核心机制

• 第一视角统一动作空间表达：以机器人头部相机坐标系为基准，将人类手部动作与机器人末端轨迹统一映射至同一视觉坐标系，消除跨平台坐标校准复杂度。
• URDF本体形态映射：通过解析机器人描述文件（URDF），将不同硬件的关节结构编码为统一中间层，使模型能识别“谁在执行动作”，保留主干网络的通用视觉理解能力。
• 时间对齐动态分块：以物理时长而非固定帧数划分动作序列，解决不同机器人控制频率（10Hz-30Hz）差异导致的时序混乱问题。
• 可靠性自适应目标函数：对人类视频数据实施三级动态加权（通道级、数据集级、帧级），优先保障高精度机器人数据的训练权重，同时利用人类视频拓展行为多样性。

ACE-Ego关键特点

1. 强环境鲁棒性
   在光照、纹理、物体位置随机变化的复杂场景中，任务成功率波动极小，更贴近真实商业部署需求。
2. 长周期任务处理能力
   突破传统模型仅能完成简单抓取的限制，可稳定执行塑料袋打包、鞋盒装填等需连续操作10秒以上的复杂任务。
3. 精细操作理解
   • 对铰接类物体（如鞋盒翻盖）能精准识别转轴与边缘，沿自然轨迹完成操作。
   • 对柔性物体（如轻薄塑料袋）可实现稳定抓取、撑开与形态控制，避免变形干扰。
4. 快速跨机型迁移
   新硬件适配无需重新训练，仅需替换少量参数，部署效率提升一个数量级。

ACE-Ego核心功能与应用场景

1. 已验证功能

• 零售场景全链路操作：
  • 鞋盒标准化装填（精准定位鞋与盒的空间关系，无碰撞合盖）。
  • 柔性塑料袋打包（撑开袋口、放入物品、收紧封口全流程自动化）。
  • 咖啡定量分装（控制倾倒角度与速度，实现零撒漏操作）。
• 复杂物体交互：
  • 双臂协同任务（如工具使用、多步骤物品转移）。
  • 铰接物体操作（抽屉开合、容器堆叠等）。

2. 典型应用场景

• 智慧零售：商品陈列、自动打包、库存分拣等高频重复性工作。
• 家庭服务：人形机器人完成家务操作（如整理桌面、处理餐具）。
• 工业与物流：仓储分拣、产线柔性装配等需高适应性的任务。

ACE-Ego项目地址

• 项目官网：https://acerobotics-vla.github.io/ACE-Ego/
• GitHub仓库：https://github.com/ACERobotics-VLA/ACE-Ego-0
• 技术论文：https://acerobotics-vla.github.io/ACE-Ego-0/paper.html

ACE-Ego的核心价值在于将具身智能从“实验室玩具”推进至可规模化落地的阶段。其通过人类行为数据驱动模型泛化能力，结合轻量化部署方案，为零售、家居等场景提供了高性价比的机器人操作解决方案。未来随着硬件生态的完善，该技术有望加速通用机器人从单一任务工具向自主适应环境的智能体演进。