Гуманоид на кухне и короткий путь Стэнфорда: управлять роботом без моделей действий

В сентябре 2026 года лаборатория TML Стэнфордского университета представила HomeBody (среди авторов есть и исследователь из Калтеха) — исследовательскую систему, которая передаёт управление человекоподобным роботом напрямую передовой модели зрения и языка. Как описано на странице проекта и как сообщило издание The Decoder 27 сентября, подход пропускает промежуточный слой, который обычно занимает обученная модель действий (VLA). Вместо неё модель OpenAI — на странице Стэнфорда она называется "GPT Astra", у The Decoder — "GPT-6 Astra" — напрямую вызывает библиотеку из пяти готовых двигательных навыков и координирует навигацию по карте, захват и размещение предметов, открывание ящиков и захват предмета из открытого ящика.

Прежде чем действовать, Unitree G1 исследует пространство вокруг и с помощью процесса real2sim воссоздаёт его цифрового двойника в Nvidia Isaac Sim, сохраняя трёхмерное положение предметов в пространственной памяти. Эта внутренняя карта позволяет ему находить предметы, даже когда они выходят из непосредственного поля зрения. Бортовые вычисления выполняет ноутбук с одной видеокартой RTX 4090: он управляет рукой и кистью с частотой 250 Гц и обновляет политику AMO с частотой 50 Гц; к модели OpenAI же обращаются через API. В качественной демонстрации, опубликованной исследователями, робот по общему запросу навёл порядок на кухне, которую никогда раньше не видел, без специального обучения под эту обстановку.

Впрочем, у системы есть ограничения, типичные для ещё незрелых технологий. Авторы отмечают, что "задержка рассуждений GPT Astra создаёт паузы между навыками" и что общая продолжительность задач "ограничена также досягаемостью гуманоида, его манипуляционными возможностями и выносливостью оборудования" (перевод наш), особо упоминая перегрев сервоприводов пальцев. Кроме того, воссоздание обстановки требует времени на подготовку и связано с расходами на API, которые не названы. На момент проверки код в официальном репозитории GitHub ещё не опубликован, лицензия не указана, связанной статьи на arXiv нет, и неясно, повторяли ли испытание больше чем на одной кухне. Статистики по доле успешных попыток или числу испытаний нет; цифра 95%, которая гуляет по сети, к HomeBody не относится: судя по всему, она взята из сторонней оценки роботизированных манипуляторов I2RT YAM, которую мы не смогли проверить по первоисточнику.

Пропустить промежуточный перевод в движения и положиться напрямую на передовой интеллект — захватывающий эксперимент, но он напоминает, что у физики иной темп, чем у чистых вычислений. Если движение должно замирать в ожидании ответа модели через API, плавность жеста остаётся пока далёкой целью. — Olya