云深处发布五项具身大脑研究成果

具身智能的发展，已迈入真实场景规模化落地的新阶段。现实世界充满不确定性，机器人既要实时感知、预判和动态校准，也要沉淀长效记忆、实现持续自主迭代，最终与人类高效、自然地交互协同。体系化能力无法靠零散Demo拼凑，其核心支撑是一颗真正为真实作业场景打磨的具身大脑。 近日，云深处科技围绕自研具身大脑DEEPRobotics-Brain密集发布多篇论文，集中公布五项研究成果：世界模型DR-WM-1.0、具身基础模型DR-VLA-2.0、具身智能体DR-Agent、策略优化框架DR-APO和数据闭环平台DR-Benchmark。五项成果覆盖具身大脑全链路技术，勾勒出云深处具身大脑的清晰架构。 这五项研究并非单点突破，而是围绕具身大脑体系开展的协同攻关。云深处科技联合麻省理工学院、加州大学圣地亚哥分校、伊利诺伊大学、清华大学、浙江大学、香港科技大学、北京理工大学七所国际顶尖高校，分别聚焦数据闭环平台、具身智能体、具身基础模型、策略优化算法与空间智能五大领域开展创新探索。论文成果环环相扣，共同拼出一张面向真实场景作业的具身智能版图。 随着技术拼图逐块落位，云深处科技的具身大脑DEEPRobotics-Brain日益清晰——它是一套面向真实场景作业的具身智能架构。DEEPRobotics-Brain要回答的是：具身智能如何扎根真实物理世界，读懂人的意图、适配人的需求，并在持续交互中自主迭代进化，使机器人成为可信、可靠的智能搭档。 01. 世界模型DR-WM-1.0：引入物理约束性 预见真实的未来 世界模型是具身智能走向真实世界的重要“训练场”。传统机器人训练依赖真实环境中的反复试错，周期长、成本高；而新兴的视频生成式世界模型虽然能够模拟丰富的视觉场景，却普遍缺乏对真实物理规律的准确建模，难以可靠预测机器人动作的实际后果。基于视频生成的世界模型，可以生成机器人穿过雪地的精致视频却忽视了极低的摩擦会导致打滑。 视觉上的合理，不等于动力学上的可行，这正是现阶段生成式世界模型用于机器人决策时最危险的断层：像素空间的美学想象能力难以转换为用于具身智能的物理想象能力，而云深处科技发布的DR-WM-1.0则直击这一断层。 云深处科技联合浙江大学、北京理工大学、清华大学、麻省理工学院和伊利诺伊大学发布的DR-WM-1.0，在四足机器人领域的世界模型中首次引入摩擦力、粗糙度与刚度等物理特性，在传统的基于视频生成的世界模型基础上加入了进行大规模训练的物理属性先验模块，使得世界模型预测未来的画面，不仅真实还能符合物理规律。模型基于258万张图像与超10万段真机片段预训练，在保证泛化性的同时：双ControlNet架构将场景几何与相机运动引入视频生成，自回归推理延续机器狗与控制器状态，使仿真进程与真实控制闭环保持一致。 图 1 DR-WM 的整体流程与不同接触条件下的运动表现。 这相当于为机器人提供一个行动前的“物理预演器”，帮助它提前判断：这条路走上去会发生什么，怎样走更稳妥。DR-WM将环境感知、物理预测与行动决策连接起来，为缩小视觉真实感与物理真实性之间的差距提供了一条可分析、可验证的技术路径。以雨雪后的变电站巡检为例：面对一条湿滑近路与一条绕行路线，机器人可以先分别“预演”，预判打滑、姿态失稳与前进受阻的可能，再结合安全风险与通行效率作出决策。 02. 具身基础模型DR-VLA-2.0：理解人类社会规则 让机器人真正“听懂” 预演能力就位，机器人得以走向真实的道路与工位——但下一个考验随即而来：机器人如何更好地融入人类生活，理解人类的社交行为？ 机器人要真正融入人类社会，奔赴街道、园区、物流配送等一线场景，导航不能只解决路径规划，还要具备指令理解、障碍物避让、动态环境实时应对的综合能力。 然而机器人示教依赖遥控操作，采集成本高，难以覆盖丰富的环境与交互情境。虽然机器人可以借助海量人类第一视角视频，学习绕障、让行和路径选择等导航经验，但人类与机器人的相机视角、成像特征和运动方式不同，视频也缺少机器人能够直接执行的动作标签。如何从普通网络视频中提炼可迁移的导航知识，并将其转化为机器人可执行的轨迹，是导航方向聚焦的核心问题。 云深处科技联合来自麻省理工学院、伊利诺伊大学厄巴纳香槟分校、清华大学、浙江大学的研究者，探索“无动作标签的人类视频预训练—机器人示教适配”的四足机器人导航学习路径。团队构建的EgoLynx数据集，整合1万小时人类第一视角网络视频与2000段机器人示教片段，创新利用DISR模块，机器人得以从海量视频中学习行为模式、理解交通规则与导航规则、理解人类的意图、学会社交礼仪，具身智能的拟人化程度得到提升 。 图2 DR-VLA 方法概览。左侧为人类第一视角视频，中间为三个专家及机器人数据，右侧为未来场景表示与预测轨迹。人类视频提供理解与预测监督，机器人

来源只提供摘要，完整内容请打开原文。