BFM-Zero，让人形机器人不再依赖高质量动捕数据

让人形机器人真正走出实验室，一直是这个领域最难的挑战。 仿真里的机器人往往动作流畅、执行准确，但一旦来到现实世界，很多看似强大的方法都会因为环境差异而迅速失效。地面摩擦稍微变一下、身体负载多一点、传感器噪声大一些，甚至只是被人轻轻推一把，机器人就可能动作僵硬、站不稳甚至直接倒下。能不能让机器人做到不依赖精细规则、不依赖昂贵数据，也能在真实场景中保持稳定、自然和可靠，这是近年来研究者们越来越关注的问题。 而最近 CMU 和 Meta 研究团队共同提出，清华姚班李忆唐为第一作者一篇论文引起了广泛关注。这个研究项目尝试用一种更统一更朴素的方式来训练机器人，让模型在大规模仿真中通过无监督交互自己积累经验，再把奖励、姿态、动作序列等不同形式的任务提示一并压缩到同一个潜在空间中。 通过这种设计，机器人不需要针对每个任务反复训练，只要生成合适的潜在向量，就能在现实环境中零样本执行动作，并能在面对扰动或条件变化时迅速恢复稳定表现。 这项工作的亮点不在于某一个技巧，而在于它让机器人在真实世界中的表现第一次呈现出一种自然的连贯性。例如它能像人一样应对推搡，能从摔倒中顺势滚动再站起来，能在噪声很大的动作序列下依然跟随指令，还能在负载或摩擦突然变化时，仅通过潜在空间搜索就重新找回稳定动作。相比传统需要大量规则、脚本和专门训练任务的做法，这种方式显得更直接也更通用。 论文地址：https://arxiv.org/pdf/2511.04131 从仿真到现实的跨域能力 论文的实验结果可以分成三大部分：在仿真环境里的零样本测试、在真实机器人上的零样本部署，以及在特殊情况下利用很少的数据进行快速适应。整体来看，这些实验共同展示了 BFM Zero 的泛化能力、鲁棒性和可扩展性。 在仿真阶段，研究者主要使用 Isaac 和 Mujoco 两种物理模拟环境对模型进行全面测试。这两个环境的物理特性差异较大，因此能很好地检验策略