【国信汽车】
苹果HALO机制：11月4日，苹果团队在arXiv上发布机器人自主控制系统HALO，在宇树G1上的真实测试覆盖6个训练中未见、未经扫描的环境。针对6类单项技能开展360次测试，平均成功率达到91%。我们深入学习了苹果发布的论文，有几个亮点：
1、模型架构：采用分层架构，VLM任务规划器＋VLM–DiT运动生成器＋强化学习运动跟踪器。任务规划器默认采用Qwen3.6-35B-A3B，负责任务理解、子任务拆解和执行进度判断；运动生成器使用冻结的Qwen3.5-2B理解图像与子任务文字，通过DiT生成全身参考运动，承担主要的VLA功能；底层运动跟踪器结合参考运动、深度图、关节状态和IMU，持续调整关节目标，处理平衡、接触和执行偏差。#从功能分工看，可类比为S2任务规划、S1运动生成、S0运动控制。
2、训练数据：核心数据在仿真中生成，人工设计任务模板、路径和关键姿态→利用Kimodo等生成动作→利用Infinigen生成房间→将动作与目标物体放入场景→渲染机器人第一视角画面。核心配对语料包含约16.3万条片段、296.3小时数据，覆盖6类技能、10条训练指令。主要数据生成使用250张H100，耗时约48小时。
3、本地部署：宇树G1背部搭载MacminiM4Pro、64GB内存，运行任务规划器和运动生成器；G1机载JetsonOrinNX运行深度估计和运动跟踪器。
4、和Astra＋π0.5的区别：Astra+π0.5的范式主要完成的任务是细粒度的操作控制（manipulation），比如用机械臂完成抓取、摆放等任务；而苹果HALO主要是移动控制（locomotion），比如行走、俯身、爬行、坐下等。
核心观点：
1、分层架构继续获得研究验证。HALO与Astra+π0.5都采用高层任务理解与低层动作执行相结合的设计，S2作为高层任务理解、子任务拆解的角色在越来越多的头部机器人厂商当中得到应用。
2、仿真数据展现出较强的迁移价值。HALO通过合成数据实现91%的单项任务平均成功率。但是仿真数据的组合任务成功率仍有提升空间，平均成功率70%，其中“俯身→走向目标→推箱子”三步骤任务成功率仅50%。
3、HALO与Astra+π0.5的任务侧重点不同。HALO重点提升全身运动技能在陌生环境中的执行能力，即移动控制能力（locomotion）；Astra＋π0.5主要探索机器人的操作控制能力（manipulation）。
4、持续关注触觉、精细操作和多任务衔接。HALO当前主要展示粗粒度的全身运动与环境交互技能。触觉、灵巧操作、多任务衔接等方面的能力后续值得重点关注。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。