斯坦福李飞飞团队 CoRL 2025 | "机器人管家"离我们还有多远？
斯坦福李飞飞团队发布全能家务机器人套件BRS平台
前言
让机器人像人类一样，在真实的家庭环境中打扫卫生、整理衣物、清理餐桌，这是无数科幻作品描绘的场景，也是具身智能领域的终极梦想之一。然而，现实远比想象骨感。日常家务看似简单，却对机器人提出了极其苛刻的要求：它需要在广阔的家庭空间中移动，用双手协作搬运大小不一的物体，够到高处的架子和地上的杂物，并与各种门、抽屉、电器进行灵巧的交互。为了厘清实现这一目标所需的核心能力，斯坦福大学李飞飞团队，通过对一个包含1000种日常家务的基准（BEHAVIOR-1K）进行深入分析，提炼出了三大关键的全身体控制能力：
双臂协调 (Bimanual Coordination) ：如搬运大箱子、整理衣物。
稳定精准的导航 (Stable and Accurate Navigation) ：如在房间之间穿梭、绕开障碍物。
大范围的末端触达 (Extensive End-effector Reachability) ：如从地上捡东西、往高处货架放东西。
然而，同时实现这三大能力，无论是在硬件设计、数据收集还是算法学习上，都面临着巨大的挑战。正是为了系统性地解决这些问题，该团队推出了BEHAVIOR ROBOT SUITE (BRS)——一个全面的、开源的、用于真实世界全身操纵的机器人框架。它不仅仅是一个新算法，更是一套集机器人平台、遥操作工具和学习算法于一体的完整解决方案。
图1：BRS赋能的五大家务活动。这张图直观地展示了BRS系统的强大能力。通过BRS训练出的策略，机器人在真实的家庭环境中成功完成了五个复杂的长时程任务，包括：1) 派对后打扫房间，2) 清洁马桶，3) 把垃圾拿到门外，4) 把物品放到货架上，5) 整理衣物。图中用B、N、R分别标注了每个任务最考验的核心能力。
BRS的硬件、遥操作与算法
BRS的成功，源于其在三个层面的系统性创新，它们环环相扣，共同构成了一个从数据采集到策略部署的完整闭环。
硬件平台：R1机器人
图3 (左)：R1机器人平台。为了满足家务活对全身协调性的高要求，团队选择了Galaxea R1机器人。它具备：
双6自由度手臂：满足双臂协调操作的需求。
4自由度躯干：包含腰部旋转、弯腰和类似膝盖的关节，使其能够轻松地在站立和蹲下之间切换，极大地扩展了垂直方向的触达范围（从地面到2米高）。
全向移动底盘：保证了在狭窄家庭环境中的灵活移动。
这种“轮式双臂+灵活躯干”的设计，正是为了同时满足前文提到的三大核心能力而量身定制的。
遥操作界面JoyLo
有了强大的机器人，如何高效、直观地收集高质量的演示数据是下一个难题。传统的VR手柄或键鼠操作复杂且不直观。为此，团队开发了一款全新的、低成本的全身遥操作界面——JoyLo。
图3 (右)：JoyLo遥操作界面。JoyLo的设计堪称“极简与实用的完美结合”：
核心结构：两根由3D打印和低成本舵机（Dynamixel）组成的“运动学孪生臂（kinematic-twin arms）”。这两根小机械臂的结构与机器人大臂完全一致。
操作方式：操作员只需抓住孪生臂末端的任天堂Joy-Con手柄，像“木偶戏”一样直观地移动小臂，机器人大臂就会同步复现完全相同的动作。
全身控制：Joy-Con手柄上的摇杆和按钮则被用来控制机器人的移动底盘和躯干。
力反馈：最巧妙的是，JoyLo通过一个简单的公式实现了双边遥操作，提供了丰富的力反馈。当机器人手臂碰到障碍物时，操作员能通过孪生臂感受到相应的阻力，从而避免碰撞和施加过大的力。
JoyLo的核心优势：
低成本：全部硬件成本低于500美元，极大地降低了数据采集的门槛。
高效率与高质量：用户研究表明（图6），相比基于VR手柄的IK解算方案，JoyLo的操作成功率高5倍，完成时间快23%，并且收集到的数据奇异点更少，可复现性（replay success rate）更高。
直观易用：用户几乎无需培训即可上手，所有参与者一致认为JoyLo是最用户友好的界面。
图6：JoyLo与VR控制器的用户研究对比。
学习算法WB-VIMA
有了高质量数据，还需要一个能理解和学习全身协调动作的强大算法。为此，团队提出了全身视觉-运动注意力策略（Whole-Body VisuoMotor Attention, WB-VIMA）。
图4：WB-VIMA模型架构。WB-VIMA的核心洞察在于，机器人的全身运动存在一个天然的运动学层级：移动底盘的运动会影响躯干，躯干的运动又会影响手臂。一个微小的底盘误差，经过长长的运动链，可能会被放大成巨大的手臂末端误差。
为了对这种层级依赖进行建模，WB-VIMA采用了一种自回归的动作去噪（Autoregressive Action Denoising）方案，其灵感来源于扩散模型：
多模态观测编码：模型首先通过
PointNet和MLP将多模态观测（点云、本体感受信息）编码成Token序列。Transformer特征融合：一个因果自注意力
Transformer负责融合历史和当前的观测信息。层级式动作解码：这是WB-VIMA的精髓。它按照运动学层级顺序，依次解码不同身体部件的动作：
第一步：首先解码移动底盘的动作。
第二步：以预测出的底盘动作为条件，解码躯干的动作。
第三步：以预测出的底盘和躯干动作为条件，解码手臂的动作。
这个过程可以用以下公式概括：
公式清晰地展示了下游部件（如
arms）的动作预测，是如何依赖于上游部件（如torso和base）的已预测动作的。
核心优势：通过这种自回归的方式，WB-VIMA能够生成内部协调一致的全身动作，下游的肢体可以动态地补偿上游的微小误差，从而显著提升了长时程、大范围移动操纵任务的精度和成功率。
BRS真实家务的实验结果
通过这套完整的框架，团队在五个真实的、未经任何改造的家庭场景中，成功地完成了复杂的家务任务。
图5：五大家务任务的成功率。
性能卓越：WB-VIMA策略的平均端到端任务成功率达到了58%，峰值更是高达93%。在许多子任务上，它的表现甚至超越了人类遥操作员（例如“清洁马桶”中的开盖子，“整理衣物”中的开衣柜门），因为算法能够学习到比人类操作更精准、更稳定的协调动作。
超越基线：相比于直接预测所有21个自由度动作的扁平化基线模型（
DP3和RGB-DP），WB-VIMA的性能取得了碾压性的优势（平均子任务成功率高出1.6到3.4倍）。这强有力地证明了显式建模运动学层级的重要性。
图7：消融实验结果。这项实验进一步验证了WB-VIMA两大核心组件的有效性。去掉自回归动作去噪或多模态观测注意力中任何一个，都会导致性能的急剧下降。这说明协调的全身动作预测和有效的多模态特征提取对于完成复杂家务缺一不可。
结论
BEHAVIOR ROBOT SUITE (BRS) 的工作是具身智能领域的一次系统性工程巡礼。它没有满足于在单一维度上提出一个新算法，而是直面真实世界家务活动的根本挑战，从问题定义（三大核心能力）、硬件平台、数据采集工具到学习算法，提供了一套完整且自洽的解决方案。
JoyLo 以其惊人的性价比和用户友好性，为机器人社区提供了一个强大的数据采集新范式。而WB-VIMA 则通过巧妙地利用机器人自身的运动学层级，为学习复杂的全身协调动作开辟了一条新的道路。
这项工作不仅仅是几个成功任务的展示，它更像是一份详尽的蓝图和一套开源的工具箱，邀请整个社区共同参与，向着创造真正能走进千家万户的“机器人管家”这一宏伟目标，迈出了坚实而重要的一步。
原文链接：斯坦福李飞飞团队 CoRL 2025 | "机器人管家"离我们还有多远？斯坦福李飞飞团队发布全能家务机器人套件BRS平台