Radar — 队列 / 观察列表¶
⏳ 需要复核
本页的 updated（2026-09）已超出 volatility“高”标准（1 个月）1 个月。请以韩文原文为准复核内容后更新 updated。（更新规则）
最终更新: 2026-09 · owner: Youngjin · volatility: 高 ← 返回 index
L0 TL;DR: 需要进一步原文、复现或现场验证的候选。晋升需满足全部收录条件并由 owner 审查用途，扫描不能批准。
⚠️ 不要把这里的条目当作"成熟能力"用于客户提案。 华丽的演示常常掩盖可部署性。
复核范围：页面修改日不代表所有技术条目已重验。核心修正日期、复现/人工状态见证据，旧条目仍使用各自确认日期。
🔬 模型 / 算法（待验证）¶
| 条目 | 标签 | 要点 | 晋升条件 |
|---|---|---|---|
| Physical Intelligence π0.7 | 🔵 Research | ✨ 关注：以 π0/π0.5 领跑 VLA 的 PI 已于 2026-04 正式展示组合泛化研究演示（完成未训练过的任务，例如用空气炸锅烹饪）—— 若开放权重或 GA 可能再次刷新行业基准 ⏳ 待定：PI 官方发布（2026-04-16，多家媒体引用 PI 官方博客与 Sergey Levine） [4] —— 仅为研究演示，权重未公开（openpi 公开范围仅到 π0/π0.5），PI 自身也承认在复杂多步指令上的局限。2026-10-24：此前"下一代旗舰传闻"的表述不准确，已更正为"官方研究演示已确认"（本次会话因 physicalintelligence.company DNS 被阻无法直接核对一手页面 —— 已通过多家独立媒体交叉核实） 2026-11-04：已直接核对一手页面（pi.website/blog/pi07，"Published April 16, 2026"）与 openpi README（公开至 π0.5）—— 官方发布事实为 [1]，性能主张仍未验证 |
开放权重或 GA + 独立性能验证 |
| World-action models（DreamZero → GR00T N2） | 🟡 Preview | ✨ 关注：被视为 VLA 之后一代的"同时生成动作的世界模型"方向 —— NVIDIA 路线图的方向指标 ⏳ 待定：GR00T N2 "计划年底"，DreamZero 为研究 |
GA + 实际部署案例 |
| Google DeepMind Genie 3（用于机器人学习的世界模型1） | 🟡 Preview | ✨ 关注：尝试把前沿级世界模型用作机器人策略学习的数据源 —— 若成立可绕过真实数据瓶颈 ⏳ 待定：世界模型本身为预览，用于机器人学习为研究 |
机器人策略学习验证案例 |
| 基于 VLM 的 SysID2（Vid2Sid, Swim2Real） | 🔵 Research | ✨ 关注：仅凭视频估计物理参数、自动完成仿真器校准 —— 有望消除 sim-to-real 的手工校准 ⏳ 待定：2026 预印本，单一实验室 |
peer-review + 复现 |
| VIRAL / VideoMimic / Real2Render2Real（visual sim-to-real3 at scale） | 🔵 Research | ✨ 关注：从普通视频重建仿真环境与演示的 visual sim-to-real —— 改变数据采集成本结构的候选 ⏳ 待定：CVPR/CoRL 研究，非生产 |
生产部署证据 |
| Robbyant LingBot-VLA / UnifoLM-VLA-0 | 🔵 Research | ✨ 关注：中国新兴开放 VLA 系列 —— 用于观察开放权重竞争格局 ⏳ 待定：二手来源，无验证 |
一手确认 + AWS 映射 |
🖥️ 仿真 / 工具（待成熟）¶
| 条目 | 标签 | 要点 | 晋升条件 |
|---|---|---|---|
| Genesis 物理引擎4 | ⚪ Hype | ✨ 关注：以"超高速通用物理引擎"之说引发热议 —— 若属实将改变 GPU 仿真的成本结构 ⏳ 待定："430,000 倍"已被反驳 [1]，接触操作中慢 |
独立基准 + 生产采用 |
| MuJoCo Warp | 🟡 Alpha | ✨ 关注：结合 MuJoCo 精度与 GPU 并行 —— Isaac 一家独大格局的替代候选 ⏳ 待定：PyPI classifier "3-Alpha" [1]，非生产 |
Beta/GA 转换 |
| NVIDIA Newton 物理引擎 | 🟡 Preview | ✨ 关注：与 Google DeepMind·Disney Research 共同开发的新一代开源物理引擎 —— Isaac 生态下一代标准的有力候选 ⏳ 待定：在 Isaac Sim 6.0 中为 experimental 后端 |
GA + Isaac Lab 3.0 正式 |
| Isaac Sim 6.0 | 🟡 Preview | ✨ 关注：包含 Newton 集成的新一代架构改造 —— 现行 5.x 栈迁移方向的指标 ⏳ 待定："Early Developer Release"，API 变动（最新 GA 为 5.1） |
6.x GA 宣布 |
| Cosmos 3 作为 sim-to-real 学习源 | 🟢 GA（模型）/🔵（实战） | ✨ 关注：用世界模型生成数据训练可实际部署策略的方向 —— 若成立将改写 SDG 管道格局 ⏳ 待定：模型 GA，但"用世界模型数据训练可实际部署策略"仅早期采用者。⚠️ AWS 未托管 |
强化 AWS 映射 + 学习验证 |
🤖 硬件 / 部署（路线图·演示）¶
| 条目 | 标签 | 要点 | 晋升条件 |
|---|---|---|---|
| Tesla Optimus V3 | ⚪ Hype | ✨ 关注：话题度最高的人形机器人量产计划 —— 客户提问频率最高的条目 ⏳ 待定：仅 Musk 的主张，生产未启动 |
经过验证的部署 |
| Hyundai·BD 全电动 Atlas | ⚪ 路线图 | ✨ 关注：现代汽车集团的量产路线图（2028 起 3 万台/年）—— 韩国客户触点上最直接的人形机器人赛道 ⏳ 待定：全电动 Atlas 产品版本公开（2026-07，BD 官方 [3]）。部署 2.5 万+台·产能 3 万/年均 2028 启动，当前实际运行 ~0。2026 仅小规模试点（现代 RMAC + Google DeepMind）。⚠️"第五代"为误称 |
实际运行出货启动 |
| Apptronik Apollo 2 + Robot Park | 🟡 试点 | ✨ 关注：Mercedes·GXO 实际运营试点 + Google DeepMind 数据合作 —— 人形机器人商业化最前线的指标 ⏳ 待定：Mercedes-Benz·GXO 运营试点 [3] + Google DeepMind Gemini Robotics 数据合作（9 万平方英尺）。自主·商用扩散未验证。AWS 映射为通用（数据→S3/SageMaker），合作本身属 Google [4] |
商用部署规模 + 自主成果验证 |
| 1X Neo 自主性 | 🟡 Preview | ✨ 关注：真正开售（$20k）的首批家用人形机器人 —— 遥操作混合运营模式的试验场 ⏳ 待定：自主 + VR 遥操作（Expert Mode）混合运行 — CEO 亲自承认（Engadget [3]）。"自主 60~70%" 的数字无一手来源 [4] |
真正自主的验证 |
| Figure 03 "8 小时自主班次" | ⚪ Hype | ✨ 关注：在已验证的 BMW 试点业绩之上的自主性主张 —— 若属实将刷新工业人形机器人自主性标准 ⏳ 待定：CEO 推文，无独立验证（Figure 02@BMW 为已验证试点） |
第三方自主性审计 |
| Cosmos 3 采用（Doosan/LG/Samsung） | 🟢 GA（公布） | ✨ 关注：韩国三大企业集团的采用公告 —— 韩国客户对话中随时被提及的参考案例 ⏳ 待定：采用为"公布"而非生产验证 |
公开生产案例 |
🔗 智能体 / 连接（早期）¶
| 条目 | 标签 | 要点 | 晋升条件 |
|---|---|---|---|
| MCP5 for robotics（ros-mcp-server 等） | 🔵 Research | ✨ 关注：将智能体标准协议接入机器人技能的实验激增（50+ 服务器）—— AgentCore 联动的切入角度 ⏳ 待定：有 50+ 服务器但为开源/演示，无生产（安全·延迟·确定性未验证） |
生产硬化案例 |
| ROS 26 + LLM 智能体7（NASA JPL ROSA, RAI） | 🔵 Research | ✨ 关注：NASA JPL ROSA 等实际组织的验证案例 —— 自然语言→机器人运维最现实的切入口 ⏳ 待定：ROSA(JPL) 为最强实例但为 mock-ops。现场部署有限 |
现场生产部署 |
| 智能体物理安全标准（RoboGuard 等） | 🔵 Research | ✨ 关注：LLM 语义层风险的标准空白地带 —— 可能上升为监管·采购要求 ⏳ 待定：ISO 只管物理，缺乏 LLM 语义风险标准 |
标准化进展 |
| AgentCore Payments / Agent Registry（首尔） | 🟡 Preview/未提供 | ✨ 关注：机器人智能体商务·注册基础设施的 AWS 原生方向 —— 首尔区域开放后可立即用于提案 ⏳ 待定：首尔区域未提供 —— Agent Registry 在东京 ✅，Payments 连东京也未提供（APAC 仅悉尼） [1] |
首尔区域扩展 |
🆕 最新扫描流入（2026-11-04 · 链接与一手来源核对 2026-09-27）¶
| 条目 | 标签 | 要点 | 晋升条件 |
|---|---|---|---|
| NEURA Robotics 4NE1 / Neuraverse × AWS（德国全栈机器人公司，与 AWS 战略合作） | ⚪ 路线图 | ✨ 为何关注：AWS 作为 Neuraverse 的主要云服务商托管平台，NEURA Gym 训练管道与 SageMaker 集成，NEURA 通过 AWS 合作伙伴网络（APN）拓展市场 —— 明确列出服务名的 AWS 合作，是 Radar 中的欧洲人形机器人赛道 ⏳ 为何等待：AWS·NEURA 官方发布（2026-04-21，press.aboutamazon.com） [4] —— Amazon 履约中心部署在原文中仅为"explore opportunities"（探索），并非实际部署。最高 14 亿美元的 C 轮（2026-06-10，Amazon、NVIDIA、Tether 等参与，公司自称"全栈机器人公司史上最大"）与 IFA 2026 柏林主题演讲（2026-09-05）带来新话题，无第三方验证。🔗 链接 200 · 一手来源核对 2026-09-27。AWS 角度：官方合作（明确 SageMaker·APN） |
公开 Amazon 履约中心等实际部署案例 + 独立性能验证 |
| RLWRLD RLDX-1（81 亿参数的灵巧操作8基础模型，在 AWS 上训练） | 🔵 Research | ✨ 为何关注：KAIST 出身的首尔初创公司的开放机器人基础模型，由 AWS Physical AI 博客（2026-06-22）直接介绍 —— 使用 EC2 p5e/p5en（H200）、ParallelCluster、FSx for Lustre 训练，专注五指手精细操作，代码与权重在 GitHub 公开（CC BY 4.0）—— 与 NEURA 同为 Radar 中的 AWS 官方合作案例，也是韩国发起的赛道。2026-10-28 AWS 发布第二篇博客（合作伙伴身份·Marketplace 上架，详见新消息）作为后续进展 ⏳ 为何等待：arXiv 技术报告（2026-05-05）+ AWS 博客 [4] —— 6 套仿真基准与 3 个实机平台的自测数据（GR-1 Tabletop 58.7 vs GR00T N1.6 47.6 = +11.1 分，表 1(b)；ALLEX 实机 86.8% vs π0.5·GR00T N1.6 约 40%；SIMPLER 81.5% 为 AWS 博客引用），无独立复现与同行评审 —— 自行公布数据，禁止向客户引用。与 AWS 的关系处于训练基础设施 + Generative AI Accelerator 参与（2025-10）阶段，实际部署目标为乐天酒店及度假村 2030 年（以安全验证为前提）。🔗 链接 200 · 一手来源核对 2026-09-27。AWS 角度：AWS 博客案例（EC2·ParallelCluster·FSx）· 🇰🇷 韩国触点 |
独立基准复现 + 公开实际部署案例 |
| Robotic Data Inoculation（UC Berkeley 提出的数据采集策略 —— 人类遥操作期间，一个用在线强化学习训练的修正策略对指令施加细微扰动，连同人类实时纠正的恢复示范一并采集） | 🔵 Research | ✨ 为何关注：从采集阶段起就用修正策略弥补人类遥操作数据的固有缺陷（恢复示范不足）—— 与 Mulligan（挑选下一步该采集哪些初始状态）不同轴线，处理"采集中该如何扰动指令本身"，是新的数据采集方向；在今日扫描的机器人学习论文中数据采集类别热度最高（alphaXiv 44 票/406 次浏览） ⏳ 为何等待：arXiv 预印本（2026-10-28） [4] —— 在 Franka 单一平台的 3 项精密操作任务（t-cube·cable·keycap）上，行为克隆/离线强化学习策略成功率的提升（例如 cable 任务 BC 37%→66%）均为 UC Berkeley 自测数据，无独立复现或同行评审 —— 自行公布数据，禁止向客户引用。🔗 本次运行因全局 egress 封锁（arxiv.org DNS/连接均不可用）未能 curl 200 验证链接 —— 改用 alphaXiv 原文（ID 2610.39054）全文交叉核对。AWS 角度：无（UC Berkeley 单一研究，无 AWS 服务关联） |
独立复现 + 更多平台与任务的扩展验证 |
| LG×NVIDIA 人形机器人 MOU（LG 的双足人形机器人，基于 NVIDIA Isaac GR00T·Jetson Thor·Halos for Robotics，目标 2027 年第一季度公开） | ⚪ 路线图 | ✨ 为何关注：LG 宣布以集团之力（LG 电子负责执行器、LG Innotek 负责传感器、LG 能源解决方案负责电池）用 NVIDIA Isaac GR00T·Jetson Thor·Halos 安全技术栈开发自家双足人形机器人，双方于 2026-08-13 签署 MOU —— 与 Radar 中既有的"Cosmos 3 采用"条目（Doosan/LG/Samsung，软件采用公告）不同，这里 LG 承诺自行打造人形机器人硬件本身，是可能在韩国客户对话中出现的话题 ⏳ 为何等待：目前仅有 LG·NVIDIA 的 MOU 与开发计划 [4] —— 实机公开目标为 2027 年第一季度（提及 CES），目前实际运行数为 0。同步开发的自有机器人基础模型（RFM）也处于路线图阶段。🔗 链接 200 · 2026-10-24 本地确认（PR Newswire 原文标题一致）—— 内容以流入时多家独立媒体（Korea JoongAng Daily、eWeek、Digital Trends 等）交叉核对为准。AWS 角度：无（NVIDIA·LG 双边合作） · 🇰🇷 韩国触点 |
公开实机（2027 年第一季度）+ 独立性能验证 |
| AWS Physical AI Toolchain（AWS 官方开源 Physical AI 参考架构·IaC·部署自动化，集成 NVIDIA Isaac/GR00T/Cosmos） | 🟢 GA（开源） | ✨ 为何关注：AWS 以官方 aws-samples 组织公开了不绑定特定机器人·任务的 Physical AI 参考架构（Terraform/CDK）与部署自动化 —— 将 EC2（G6e/P5）、SageMaker、EKS、AWS Batch（EFA）、S3、FSx for Lustre 与 NVIDIA Isaac Sim、Isaac Lab、GR00T（N1.6）、Cosmos、OSMO 打通，是将 Radar 内多条轴线（World-action models·Isaac Sim 6.0·Cosmos 3·GR00T 许可）一次性接入 AWS 基础设施的最直接官方案例 ⏳ 为何等待：AWS 官方博客（推测 2026-10-07/08，aws.amazon.com/blogs/physical-ai）+ GitHub 公开（Apache 2.0） [4] —— "aws-samples" 仓库不含正式支持承诺，README 组件表中 Isaac Lab Arena Evaluation 标为 Preview、Jetson 边缘部署标为 Planned，尚未确认实际客户生产环境采用案例。🔗 链接 200 · 2026-10-24 本地确认 —— 官方 GitHub 仓库 + AWS 官方博客 原文可直接访问（流入会话因 egress 限制未能验证，issue #20）。AWS 角度：AWS 自家官方开源（最高等级） |
公开实际客户生产环境采用案例 + AWS 官方博客一手验证 |
| Real-Time EXPO-FT（Stanford，用轻量纠正策略和 chunk 级 RL critic 补偿大型 VLA 异步推理延迟的延迟感知实时策略纠正框架） | 🔵 Research | ✨ 为何关注：即便推理延迟高达 167ms，以 π0.5 为基座的 VLA 在延迟窗口内异步预生成动作 chunk，再由轻量策略根据最新观测做纠正，使动态操作任务（接球、踢足球等）在不到 10 分钟在线机器人数据下把实机成功率从 12.5/30 提升到 29/30 —— 为 Radar 🔬 VLA 轴新增"推理延迟·实时性"方向，是今日扫描到的机器人学习论文中参与度最高的一篇（alphaXiv 273 票/18,981 次浏览，远超现有流入条目） ⏳ 为何等待：arXiv 预印本（2026-09-16） [4] —— 均为 Stanford 单一实验室自测数据，仅限单一机器人平台上的 4 项实机任务，依赖针对稀疏二元奖励的任务专属成功判定器，环境复位需人工协助，无独立复现或同行评审 —— 自行公布数据，禁止向客户引用。🔗 本次运行因全局 egress 封锁（arxiv.org DNS 不可用）未能 curl 200 验证链接 —— 改用 alphaXiv 原文（ID 2609.18207）交叉核对代替。AWS 角度：无（Stanford 单一研究，无 AWS 服务关联） |
独立复现 + 在完整 VLA 流水线（目前主要以 state-based flow policy 仿真验证）上的扩展验证 |
| SimVLA（延世大学·首尔大学联合研究，不依赖远程操作、仅以仿真数据预训练与后训练、在移动操作任务上实现 zero-shot sim-to-real 迁移的 VLA） | 🔵 Research | ✨ 为何关注：韩国高校（延世大学、首尔大学）联合研究仅以仿真专用数据（动作轨迹·VQA 式视觉语言监督·策略 rollout）训练 VLA，并在无需额外训练的情况下迁移到真实家庭环境 —— 验证不采集实机数据也能实现移动操作 sim-to-real 的韩国研究案例，为 Radar 🔬 visual sim-to-real 轴新增韩国学界赛道 ⏳ 为何等待：arXiv 预印本（2026-10-08） [4] —— 声称在包含真实家庭的实机迁移中超过以 50 个实机演示微调的 π0.5 基线，均为作者自测数据，仅限单一实验室与少数任务（补货·倒水·清洁），无独立复现或同行评审 —— 自行公布数据，禁止向客户引用。🔗 链接 200 · 2026-10-24 本地确认（arXiv 标题一致）—— 内容以流入时 alphaXiv 原文交叉核对为准（流入会话因 egress 封锁无法 curl）。AWS 角度：无 · 🇰🇷 韩国触点（延世大学·首尔大学） |
独立复现 + 家庭以外环境的扩展验证 |
| Mulligan（不做均匀采样，而是围绕策略仍然失败的初始状态挑选下一批远程操作采集片段的性能导向机器人数据采集策略） | 🔵 Research | ✨ 为何关注：把远程操作数据采集从"按复位分布比例分配预算"改为"优先覆盖策略仍然失败的状态"，在同等采集预算下提升实机成功率 —— 为 Radar 数据管道轴（FIBER·UniWALM 等）新增"该采集什么、怎么采集"的策略维度，是今日扫描到的机器人学习论文中参与度最高的一篇（alphaXiv 60 票/394 次浏览） ⏳ 为何等待：arXiv 预印本（2026-10-05） [4] —— 实机成功率提升数据（Franka Panda 3 项任务；最终轮 INSERT MARKER +34 分具统计显著性，但 THREAD NUT·ROUTE CABLE 最终轮对比未达显著）均为 Stanford 自测数据，仅限单一机器人平台（DROID）与 3 项任务，无独立复现或同行评审 —— 自行公布数据，禁止向客户引用。🔗 本次运行因全局 egress 封锁（连 arxiv.org 的 DNS 都无法解析）未能 curl 200 验证链接 —— 改用 alphaXiv 原文（ID 2610.05882）交叉核对。AWS 角度：无（Stanford 单一研究，无 AWS 服务关联） |
独立复现 + 更多平台与任务的扩展验证 |
| ThinkWorld（NVIDIA·KAIST 联合研究，即便是没有动作标签的人类视频，也用"预测的未来世界状态是否与实际观测一致"做强化学习监督，提升 VLA 人→机器人迁移与未见任务泛化能力的 Chain-of-Dynamics 框架） | 🔵 Research | ✨ 为何关注：用人类视频（EgoDex、EgoVerse）弥补纯机器人示范数据多样性有限的问题，即便是没有动作标签的视频也能直接用未来状态预测准确度做监督，在仿真与实机上均展示了人→机器人迁移与未见任务泛化 —— 是今日扫描到的机器人学习论文中参与度最高的一篇（alphaXiv 53 票/595 次浏览） ⏳ 为何等待：arXiv 预印本（2026-10-27） [4] —— NVIDIA·KAIST 联合研究，报告的泛化结果均为作者自测数据，仅限仿真及少数实机平台，无独立复现或同行评审 —— 自行公布数据，禁止向客户引用。🔗 本次运行因全局 egress 封锁（arxiv.org、alphaxiv.org 的 DNS/连接均不可用）未能 curl 200 验证链接 —— 改用 alphaXiv 原文（ID 2610.37666）交叉核对。AWS 角度：无（NVIDIA·KAIST 联合研究，无 AWS 服务关联） |
独立复现 + 更多平台·任务扩展验证 |
| FLORE (Amazon FAR)（采用 UMI9 方式的无机器人示范、同时记录动作与接触力，训练人形机器人同时控制接触力与全身动作的 force-reactive loco-manipulation 框架） | 🔵 Research | ✨ 为何关注：以往全身控制只追踪动作（位置），而本研究从示范阶段起就记录·预测·追踪接触力，使得旋转箱子、擦白板等接触密集型任务成为可能 —— 继 UniWALM 之后，为 Radar 的 Amazon FAR 研究轴新增"接触力控制"案例 ⏳ 为何等待：arXiv 预印本（2026-10-26） [4] —— 在 Unitree G1 实机 3 项任务（推车架·旋转箱子·擦白板，每项任务 10 次 rollout）上的成功率（80% vs 仅用位置的基线 26.7%）均为 Amazon FAR 自测数据，仅限单一平台与 3 项任务，无独立复现或同行评审 —— 自行公布数据，禁止向客户引用。🔗 本次运行因全局 egress 封锁（arxiv.org DNS/连接不可用，alphaxiv.org 同样无法连接）未能 curl 200 验证链接 —— 改用 alphaXiv 原文全文（ID 2610.35862，逐一核对作者、方法与数据）交叉核对代替。AWS 角度：Amazon 自家研究（FAR），无 AWS 服务关联 |
独立复现 + 更多平台与任务的扩展验证 |
终止或限制 — 分别确认¶
| 条目 | 状态 | 替代 |
|---|---|---|
| AWS IoT FleetWise | 不接受新客户，现有客户可继续 [1] |
不用于新机器人默认方案 — 证据 |
| AWS RoboMaker | 🔴 终止 (2025-09-10) [1] |
EC2 G6e/G7e + Isaac Sim AMI + AWS Batch |
| SageMaker Edge Manager | 🔴 终止 (2024-04-26) [1] |
ONNX + IoT Greengrass V2 (+ SageMaker Neo) |
| IoT Greengrass V1 | 🔴 终止 (2026-06-01) [1] |
Greengrass V2 |
| Gazebo Classic 11 | 🔴 EOL (2025-01) [1] |
Gazebo Jetty/Harmonic |
| Trainium for VLA | ⚪ 无公开案例 [4] |
当前为 CUDA/NVIDIA（提议时明示风险） |
⚠️ 传闻警戒（并非事实）: "AWS IoT TwinMaker 废弃"是误信息 —— TwinMaker 是 GA·对新客户开放（低速度）。是与 SiteWise 维护混淆的第三方博客主张。禁止重复。→ pillar-3。
晋升流程（摘要）¶
- 捕获: 用指定频道/表情收集候选
- 过滤：满足全部收录条件，区分发布、证据、用途和支持。
- 通过时: 由负责的支柱 owner 用标准模板编入，并从 Radar 移除
- 未达时: 在此保留一句话，明示晋升条件
完整管道 → maintenance。
owner: Youngjin · updated: 2026-09 · volatility: 高（Radar 本质上快速变化 —— 建议月度评审）
-
世界基础模型（WFM, World Foundation Model） — 为预测·生成物理世界的下一场景而训练的大型模型。通过文本·视频提示生成物理上合理的视频·场景，用于增强机器人学习数据。🎥 NVIDIA Cosmos 介绍 ↩
-
系统辨识（SysID, System Identification） — 测量真实机器人的物理参数（摩擦·质量·电机响应），把仿真器校准到与实物一致的工作。 ↩
-
sim-to-real — 把在仿真中训练的策略迁移到真实机器人上，或指其方法论。由于仿真与现实的物理·视觉差异（域间差异），直接迁移会导致性能崩溃。🎥 NVIDIA sim-to-real 机器人展示 ↩
-
物理引擎（physics engine） — 数值计算刚体动力学·接触·摩擦·碰撞的仿真器核心软件。引擎的精度·速度权衡左右着仿真器的选择（Isaac/MuJoCo/Genesis）。 ↩
-
MCP（Model Context Protocol） — 连接智能体与工具·数据源的开放标准协议。常被比作"智能体的 USB-C"，把机器人技能暴露为 MCP 服务器的实验正在增多。 ↩
-
ROS 2（Robot Operating System 2） — 机器人软件事实上的标准开源中间件。传感器·控制节点通过话题（topic）通信的分布式架构，是工业·研究机器人栈的公共基础。 ↩
-
LLM 智能体 — 大语言模型自行制定计划、挑选并调用工具（API·机器人技能）、执行多步任务的软件。与简单问答不同，关键在于它有"行动"。 ↩
-
灵巧操作（dexterity） — 机器人手·臂像人手一样精细·灵巧地操纵物体的能力。与简单夹爪的抓取·放置不同，指用五指手转动物体或操作工具等接触密集、复杂的操作。 ↩
-
UMI（Universal Manipulation Interface） — 不使用机器人，而是由人手持带摄像头·力传感器的夹爪来记录动作与接触力、从而生成机器人示范数据的方式。无需实际运行机器人即可大幅降低数据采集成本与安全负担。 ↩