0
| 本文作者： 徐咪 | 2026-02-12 15:09 |
近日，阿里巴巴集團旗下高德正式發(fā)布具身操作基座模型ABot-M0與具身導航基座模型ABot-N0，補齊了具身機器人規(guī)模化落地的兩塊核心能力——操作的通用性和導航的長程性，并刷新了全球多項權威評測紀錄，高德也成為全球首個在具身導航與具身操作上同步達到SOTA（目前最好、最先進的模型）的廠商。
ABot-M0：全球首個統(tǒng)一架構的機器人基礎模型，讓機器人擁有"通用大腦"
長期以來，機器人技術的規(guī)模化應用面臨諸多挑戰(zhàn)，其中關鍵之一在于數(shù)據(jù)的割裂、動作表示的不統(tǒng)一以及空間理解能力的不足。不同廠商、不同形態(tài)的機器人往往使用各自獨立的數(shù)據(jù)體系，導致模型難以跨平臺復用，訓練效率受限，部署成本高。
高德推出的 ABot-M0 作為一款通用的具身操作基礎模型，從“數(shù)據(jù)統(tǒng)一—算法革新—空間感知”三個方面進行了系統(tǒng)性重構，致力于提升模型在多樣化機器人形態(tài)和任務場景下的泛化能力。
ABot-M0模型架構圖
ABot-M0 基于全球開源資源，整合超過 600 萬條真實操作軌跡，構建了目前規(guī)模最大的通用機器人數(shù)據(jù)集。通過統(tǒng)一動作表示、坐標系與控制頻率，并采用增量式動作建模，實現(xiàn)了跨平臺數(shù)據(jù)融合，支撐了完全基于公開數(shù)據(jù)的預訓練。
算法革新上，ABot-M0 提出了全球首個動作流形學習：有效的機器人動作受限于物理規(guī)律、任務目標與環(huán)境約束，集中分布在低維結構化的流形上。設計了 AML（Action Manifold Learning）算法，使模型能夠直接預測結構合理、物理可行的動作序列，提升策略的穩(wěn)定性與解碼效率。
為增強空間感知，ABot-M0 引入 3D 感知模塊，增強模型對“前后、遠近、遮擋”等空間語義的理解，在復雜環(huán)境中實現(xiàn)更精準的操作決策。
在 Libero、Libero-Plus、RoboCasa 基準測試中，該模型在包含復雜任務組合與動態(tài)場景擾動的設定下，平均任務成功率均達到 SOTA。其中，Libero-Plus 基準上達到了 80.5%，較業(yè)界先進方案pi0提升近30%，展現(xiàn)了其在高擾動高難度具身操作任務中的領先性能。
ABot-M0在Libero-Plus的評測
通過系統(tǒng)的工程設計與算法改進，ABot-M0 探索了一條通向通用具身智能的技術路徑，也為未來開放、共享的機器人生態(tài)提供了可復現(xiàn)、可擴展的基礎支持。
ABot-N0：全球首個五大導航任務統(tǒng)一的全棧導航基座模型
導航是機器人進入物理開放世界的核心基礎能力，機器人需要在動態(tài)且存在干擾的環(huán)境里展現(xiàn)出通用的行動能力，如跨場景送物或跟隨服務，這同時也是具身智能演進的終極命題。
然而，當前的具身導航研究普遍深陷“碎片化”：主流方法往往針對特定任務構建孤立的專用架構，這不僅限制了模型的跨任務泛化能力，更阻礙了智能體從海量異構數(shù)據(jù)中提取統(tǒng)一物理先驗的可能性。
這也是當前機器人常陷于“環(huán)境看不懂、動作做不準”的核心原因，復雜指令（如“去門口幫我看看快遞”）更是難以執(zhí)行。
高德推出的具身導航基座模型ABot-N0，以“全任務一統(tǒng)”為核心目標，并實現(xiàn)全球首次在單一模型中完整集成Point-Goal（點位導航）、Object-Goal（目標導航）、Instruction-Following（指令跟隨）、POI-Goal（興趣點導航）與Person-Following（人物跟隨）五大導航任務，有效突破了傳統(tǒng)架構中任務割裂的瓶頸。
比如，當用戶對搭載ABot-N0的具身機器人說：“帶我去奶茶店買一杯奶茶，再幫我占個座。”時系統(tǒng)會自動分解為具體的導航任務：首先執(zhí)行Point-Goal，根據(jù)地圖記憶接近奶茶店區(qū)域；之后切換至POI-Goal，精準鎖定店鋪入口并靠近；隨后觸發(fā)Instruction-Following，進入店鋪并導航至柜臺；最后執(zhí)行Object-Goal，在店內(nèi)尋找空沙發(fā)并停靠。
相較于只能支持部分任務的具身導航模型，高德ABot-N0所實現(xiàn)的五大導航任務給長程復雜任務的執(zhí)行提供了可行的解決方案。這一能力背后，是高德在架構設計、數(shù)據(jù)引擎和系統(tǒng)框架上的關鍵革新。
ABot-N0的數(shù)據(jù)、性能、任務概覽
在模型架構上，ABot-N0采用層次化的“大腦?動作”設計哲學：由“認知大腦”理解指令并做推理，由基于流匹配（Flow Matching）的“動作專家”生成精確且多峰分布的連續(xù)軌跡 。訓練上，先讓模型做認知訓練熱身，再用部分認知數(shù)據(jù)和海量導航動作進行聯(lián)合監(jiān)督微調(diào)，最后用強化學習把導航?jīng)Q策對齊到人類偏好的行為價值，最終打造出真實環(huán)境中更通用的VLA基座模型。
在數(shù)據(jù)側，依托高德長期沉淀的場景資產(chǎn)和專家示例，高德構建了業(yè)內(nèi)最大規(guī)模的具身導航數(shù)據(jù)引擎，涵蓋約 8000 個高保真 3D 場景等海量時空數(shù)據(jù)與近1700萬條專家示例，從而增強模型在真實環(huán)境中的泛化能力與魯棒性。
基于ABot-N0的系統(tǒng)性創(chuàng)新，其在CityWalker、SocNav、R2R-CE/RxR-CE、HM3D-OVON、BridgeNav、EVT-Bench七大權威基準測試中全面刷新了世界紀錄。其中在SocNav閉環(huán)仿真中，成功率（SR）飆升40.5%，在HM3D-OVON評測中成功率（SR）提升8.8%，均顯著強于之前的SOTA模型。
Point-Goal任務：在CityWalker及SocNav上分別進行開環(huán)和閉環(huán)評測
此外，為了解決機器人在執(zhí)行長程復雜任務時的任務拆解與容錯問題，高德提出了可落地的Agentic Navigation System具身導航系統(tǒng)框架，行成從“讀懂指令”到“長程復雜任務執(zhí)行”的閉環(huán)能力架構，支持機器人在執(zhí)行過程中持續(xù)感知、記憶、決策與糾錯。系統(tǒng)已成功部署于真實四足機器人平臺，并在邊緣側實現(xiàn)了高效推理與閉環(huán)控制，驗證了其在動態(tài)現(xiàn)實環(huán)境中的泛化性能與工業(yè)級穩(wěn)定性。
