前言：为人形机器人（886069）从仿真环境走向家庭真实场景提供一套新方案。
近日，苹果（AAPL）研究团队在预印本平台arXiv发布论文《Perceptive Humanoid Motion from Simulation》，对外公布人形机器人（886069）自主控制系统HALO，也就是外界所称的机器人“大脑”，并同步开放相关训练、部署代码，为人形机器人（886069）从仿真环境走向家庭真实场景提供一套新方案。
HALO全称Humanoid Autonomy,Learned in simulation,running Onboard，核心思路是依托仿真环境批量生成视觉-语言-动作合成数据，摆脱传统人形机器人（886069）高度依赖人工遥操作采集数据的瓶颈，实现仿真训练成果零样本迁移到未预先建图的真实空间。本次验证载体选用宇树科技（688836）G1人形机器人（886069），机器人可完成走向目标物体、坐上沙发、侧身穿过半开门、俯身钻过桌底、推箱子等生活化任务。
整套HALO采用三层分级控制架构，支持本地离线运行。顶层为视觉语言模型任务编排模块，默认搭载Qwen3.6-35B-A3B，部署在机器人配套Mac mini上，可直接解析自然语言指令、拆分复杂任务、持续观测环境状态并判断是否重试；中间动作生成层基于Qwen3.5-2B编码器搭配DiT解码器，根据视觉输入与子任务指令，输出未来约5秒的全身运动轨迹；底层动作跟踪模块负责稳定执行动作、控制机器人本体平衡，整套系统也支持按需调用云端模型增强推理能力。
测试数据显示，研究团队在6处从未扫描建模的真实室内环境中完成360次单项任务测试，平均成功率达到91%；多步骤组合任务测试难度更高，3组复合任务平均成功率70%，其中“俯身避障—行进—推箱子”长流程任务成功率降至50%，反映出连续交互任务仍是当前技术短板。
论文同时坦诚系统局限：当前HALO主要依靠视觉感知，缺少触觉反馈。当物体被遮挡、脱离相机视野，或是需要大量接触交互的任务，性能会明显下滑。团队表示，后续将引入触觉感知能力，优化接触类任务的稳定性。训练层面，虽然主体数据由仿真合成，但新增任务仍需要人工编写提示词、设计关键动作，部分动作参考人类动捕素材，还未完全实现自主拓展新技能。
在AI从数字世界走向物理实体的产业趋势下，苹果（AAPL）这套方案的价值在于打通“仿真训练—端侧部署—真实环境泛化”链路，降低人形机器人（886069）的数据采集成本。不同于消费（883434）端硬件发布，本次属于基础算法研究成果公开，暂未关联苹果（AAPL）商用机器人产品时间表。这类端侧本地自主控制系统，是未来家用服务机器人落地的关键方向之一。
