跳至正文
RFL_GLOBAL
EN
  • RDT2 // 2025
  • 通用迁移
  • 任意具身

MORPHEUS

操控 — 跨具身 VLA

基于 RDT2 架构的跨具身视觉-语言-动作系统。一个模型无需重新训练即可在任何机器人上工作 — 轮式平台、机械臂、四足机器人、人形机器人。具身专用动作头消除了逐机器人微调的需求，同时保持操控精度。

模块状态: 开发中

具身迁移

ANY

部门
ANIMA
波次
W5
领域
操控
第五波 // ANIMA 套件
跨具身 VLA
MORPHEUS // W5 // 050/079
01核心挑战

每个机器人都需要自己的模型

当今的操控模型针对单一机器人形态训练。在 7 自由度机械臂上学习的策略无法迁移到轮式移动操控器。人形策略无法驱动四足机器人。每个新平台都需要收集数据、训练模型并从头验证 — 成本随机队多样性线性增长。

异构机队是部署的现实。军事、物流和工业运营同时使用机械臂、轮式平台、足式机器人和人形机器人。没有跨具身迁移，每增加一个平台都需要完整的机器学习流程 — 数据收集、训练、验证、部署。扩展成本高得令人望而却步。

02解决方案

MORPHEUS 提供什么

MORPHEUS 是基于 RDT2（机器人扩散 Transformer 2）架构的跨具身视觉-语言-动作系统。共享的视觉-语言骨干网络处理场景理解，而具身专用动作头将统一表示转换为平台原生控制信号。

能力

  • 共享视觉-语言骨干网络 — 所有具身共用一个感知模型
  • 具身专用动作头 — 每种机器人形态的模块化输出层
  • 动作头注册表 — 即插即用注册新机器人平台
  • 零逐机器人微调 — 通用策略直接迁移
  • RDT2 扩散 Transformer 用于高保真动作生成
  • 集成 ANIMA 套件的 PYGMALION + ATOMOS 模块
03工程挑战

为什么这很难

跨具身迁移需要解决根本性的表示不匹配问题：

  1. 01动作空间异构性：7 自由度机械臂、差分驱动底盘、12 自由度四足和 30+ 自由度人形具有不兼容的动作空间
  2. 02具身不变表示：共享骨干网络必须提取操控意图而不编码形态特定的偏差
  3. 03动作头对齐：每个具身专用头必须从相同的隐空间映射到完全不同的控制信号
  4. 04训练数据平衡：防止模型对训练集中代表性最强的具身过拟合
  5. 05部署验证：确保每次模型更新后所有注册具身的操控质量得到维持

MORPHEUS 通过 RDT2 架构解决了这一问题 — 扩散 Transformer 骨干网络学习具身不变的操控表示，配合可按部署目标热交换的动作头注册表。

04性能基准

用数据说话

跨具身迁移指标：

用数据说话
指标数值
具身迁移通用
逐机器人微调零
支持的形态多具身
策略数量单一统一
动作头切换热交换
骨干架构RDT2 扩散 Transformer
感知管线共享 ViT + LLM
动作生成基于扩散
平台注册即插即用
训练效率N 种具身，1 个模型
ANIMA 集成PYGMALION + ATOMOS
部署开销仅动作头
05构建状态

已构建的功能

已完成 3/5 个组件
已构建的功能
组件状态说明
RDT2 架构已完成扩散 Transformer 骨干网络配合模块化动作头接口
动作头注册表已完成即插即用注册新具身动作头
跨具身训练进行中多具身数据集整理和平衡训练
核心模型已完成共享骨干网络已训练 — 4 种形态的动作头已验证
API 层进行中公共 REST + gRPC API — 等待跨具身推理路由
06应用场景

MORPHEUS 部署场景

  • APP_01

    异构机队部署

    在混合机队中部署单一操控策略 — 机械臂、轮式平台、四足和人形机器人在同一环境中运行。

  • APP_02

    快速平台扩展

    通过注册动作头将新机器人平台添加到现有机队 — 无需数据收集或重新训练。

  • APP_03

    通用操控策略

    一个策略处理拾放、开门、工具使用和物体交接，无论执行机器人的形态如何。

  • APP_04

    国防与安全

    在对抗环境中运行的混合自主机队 — 地面车辆、足式平台和机械臂共享单一智能层。

  • APP_05

    仓库自动化

    在同一设施中部署机械臂、移动操控器和人形机器人，统一任务分配和操控能力。

  • APP_06

    研究平台

    一次训练，跨具身评估 — 通过消除逐平台模型开发加速操控研究。

07技术

底层技术

基础：RDT2 架构

  • 机器人扩散 Transformer 2 — 基于扩散的动作生成
  • 共享 ViT 视觉编码器 + 语言模型骨干网络
  • 具身不变的隐式操控表示
  • 标准化 I/O 契约的模块化动作头接口

核心创新

将"做什么"与"怎么动"解耦 — 共享骨干网络学习操控意图（抓取、放置、推动、旋转），而具身专用动作头将意图转化为形态原生轨迹。新机器人注册动作头而无需触及骨干网络。

ANIMA 集成

  • PYGMALION — 跨具身数据生成和增强
  • ATOMOS — 共享骨干网络的 1-bit 量化用于边缘部署

推理管线

感知
共享 ViT 编码器处理 RGB 输入 — 具身无关的场景理解
推理
语言模型 + 扩散 Transformer 在隐空间生成操控意图
动作
具身专用头将隐式意图解码为原生控制信号 — 按机器人热交换
08论文

研究论文

  1. [01]RDT2: Robotics Diffusion Transformer for Cross-Embodiment Transfer
  2. [02]Cross-Embodiment Policy Learning — Pinto 等
  3. [03]机器人动作生成的扩散模型