宇树 G1 进军网球场:清华北大团队用 5 小时动捕数据训出对打技能
清华大学、北京大学与银河通用等团队提出 LATENT 系统,仅基于 5 小时不完整的人体动捕片段,就让宇树 G1 人形机器人学会了网球技能。机器人能以约 90% 的准确率回击速度超 15 米/秒的来球,并在真实场地中与人类对手展开多回合交锋。
清华大学、北京大学与银河通用等团队提出 LATENT 系统,仅基于 5 小时不完整的人体动捕片段,就让宇树 G1 人形机器人学会了网球技能。机器人能以约 90% 的准确率回击速度超 15 米/秒的来球,并在真实场地中与人类对手展开多回合交锋。
Nosh Robotics 发布厨房烹饪机器人 Nosh One,售价 1,499 美元。用户放好食材后,机器会自动加料、翻炒并用内置摄像头盯火候,还能用自然语言提示词生成新菜谱。产品已在 Kickstarter 开启预购,预计 2026 年夏季发货。
Figure 展示了 Helix 02 机器人的客厅整理能力。该系统采用单一端到端神经网络,直接从像素控制全身。在不修改算法的前提下,机器人仅靠增加训练数据就学会了喷水擦桌、单臂夹箱双手收纳玩具以及按遥控器关电视。
研究团队开源人形机器人控制框架 OmniXtreme。它结合动作专家蒸馏与轻量残差后训练,让宇树机器人掌握连续后空翻、街舞和倒立等高难度动作,同时通过物理约束避免烧损电机。模型权重与评测代码已在 GitHub 开源。
HONOR 在 MWC 2026 上展示了概念手机 Robot Phone 与首款人形机器人。Robot Phone 内置微型电机与 4DoF 云台系统,能通过点头、跟随等肢体语言进行具身交互。此外荣耀还发布了 Magic V6 折叠屏等多款生态硬件。
Alphabet 旗下机器人软件平台 Intrinsic 宣布并入 Google,作为独立团队运作。其 Flowstate 平台将深度整合 Gemini、Google Cloud 与 DeepMind,帮助制造和物流企业像搭积木一样低门槛开发机器人程序,目前客户包括富士康。
宇树科技公布新款四足机器人 Unitree As2,主打兼具工业级性能的伴侣定位。其峰值扭矩达 90N·m,支持 IP54 防雨,空载续航超 4 小时;在 15kg 负载下续航仍超 13 公里。设备开放二次开发,试图打通陪伴与工业搬运场景。
Figure 宣布在总部部署 7 台 Figure 03 人形机器人,由 Helix 02 全身神经网络调度实现全天候轮班。机器人能根据电量自主走上 2 kW 感应底座充电并交接任务。最值得关注的是人形机器人跑通了全自主补能循环,不过官方暂未公布它们具体在做什么实际工作。
据报道,一名软件工程师在使用 AI 编程助手逆向大疆 Romo 扫地机器人云端通信时,因服务端校验漏洞,意外获得了 24 个国家近 7000 台设备的实时摄像头与户型图权限。大疆确认已于 2 月 10 日通过云端更新自动完成修复。
据 The Information 报道,OpenAI 正组建超 200 人团队研发硬件家族。首款产品是带摄像头的智能音箱,定价 200 至 300 美元,最早 2027 年 2 月面世;后续还规划了智能眼镜和台灯。设备支持人脸识别并能主动提醒日程,但真正的考验还在量产与交付。
丰田加拿大公司宣布完成一年试点,以「机器人即服务」模式签约引进 7 台 Agility Robotics 的 Digit 双足人形机器人。机器人将于 4 月进驻安大略省 RAV4 工厂,负责从自动拖车上卸载汽车零部件。这标志着人形机器人正在走出炫技演示,真正嵌入汽车总装的常规作业流。
据报道,澳大利亚 Cyborg Dynamics 与格里菲斯大学完成 AI 消防机器人集群测试,取得 99.67% 的灭火成功率。系统采用多智能体强化学习,让实体无人地面车与虚拟队友自主分工、避障并扑灭多处火情,能大幅减轻高危场景下的人工操控负担。
宇树科技公布春晚参演细节,数十台 G1 人形机器人完成了全球首个全自主集群功夫表演,无需人工遥控且能快速协同移动;H2 则身披齐天大圣战甲登场。这直接展示了人形机器人在高动态运动控制和多机协同上的最新进展。
Nvidia 联合斯坦福等机构发布机器人世界模型 DreamDojo。它通过 4.4 万小时人类第一视角视频预训练掌握通用物理常识,再针对特定机型微调,还支持 10 FPS 实时交互。这意味着机器人不用堆砌昂贵的真机演示,看视频就能学会与实体世界互动。
工程师 Cyrus Clarke 利用 MIT Media Lab 的 neoFORM 形状显示器,为 OpenClaw 打造了物理实体。他以龙虾爪为灵感为其设计了动态肢体语言,让 AI 拥有了类似呼吸的动作反馈,将原本停留在屏幕里的智能体带到了现实桌面。
NVIDIA 发布机器人控制策略 Cosmos Policy。它不加额外动作模块,直接把机械臂动作和物理状态当成视频帧放进 Cosmos 世界模型里扩散学习。在 LIBERO 基准上拿下 98.5% 的成功率刷新 SOTA,代码和模型已开源。