具身智能与机器人控制：张巍团队的技术突破与应用

1. 张巍团队与逐际动力：具身智能领域的产学研先锋

在机器人技术快速发展的当下，具身智能（Embodied AI）正成为学术界和产业界共同关注的焦点领域。作为国内具身智能研究的代表性团队，南方科技大学张巍教授领导的科研团队与逐际动力（LimX Dynamics）公司形成了独特的"学术研究+产业落地"双轮驱动模式，在足式机器人运动控制、多模态感知融合等领域取得了一系列突破性成果。

张巍教授本人是典型的"学者型创业者"代表。本科毕业于中国科学技术大学自动化系，后在美国普渡大学获得电气与计算机工程博士学位，并在加州大学伯克利分校和斯坦福大学完成博士后研究。这段经历为他奠定了扎实的国际化科研基础。2019年回国加入南方科技大学后，他于2022年创立了逐际动力，专注于通用人形机器人的研发与产业化。

2. 2025年核心研究成果解析

2.1 IMU传感器的高精度去偏技术

在机器人状态估计领域，惯性测量单元（IMU）的精度直接影响着导航和操作的可靠性。张巍团队发表在RSS 2025的论文《Debiasing 6-DOF IMU via Hierarchical Learning of Continuous Bias Dynamics》提出了一种创新的IMU去偏方法。

传统IMU去偏技术面临三大挑战：

1. 模型线性假设与真实非线性偏差动态不匹配
2. 数据驱动方法对运动模式敏感，泛化性差
3. 偏差真值难以获取，依赖多传感器融合

团队解决方案的技术亮点：

• 采用神经常微分方程（NODE）框架建模偏差连续动态
• 设计分层训练策略：先优化陀螺仪偏差（姿态损失），再优化加速度计偏差（速度/位置损失）
• 通过李代数转换解决SO(3)流形上的ODE求解问题

实际测试表明，该方法在EUROC数据集上将纯IMU积分的绝对姿态误差从120.78°降至2.40°，VIO系统的绝对位置误差降低60%以上。这项技术已应用于逐际动力的TRON系列机器人，显著提升了户外环境下的定位精度。

2.2 多形态腿式机器人的统一运动控制

不同构型的腿式机器人（双足、四足、轮式等）通常需要单独开发控制算法，导致研发效率低下。张巍团队在CoRL 2025发表的《Multi-Loco: Unifying Multi-Embodiment Legged Locomotion via Reinforcement Learning Augmented Diffusion》提出了一种通用控制框架。

关键技术突破：

1. 零填充+掩码机制统一不同机器人的观测/动作空间
2. 扩散模型生成通用运动先验，残差策略适配特定形态
3. 多评论家PPO架构实现知识共享与形态特化

实验验证了框架的强大泛化能力：

• 在模拟环境中，相比形态特异性PPO性能提升10.35%
• 零样本迁移到未训练过的Unitree Go2机器人，性能差异小于3.2%
• 实时控制频率达50Hz，满足实际部署需求

这项研究的意义在于，首次实现了"一次训练，多形态适用"的腿式机器人控制方案，大幅降低了多形态机器人系统的开发成本。

2.3 无监督机器人操作学习框架

传统机器人操作学习需要大量人工标注的演示数据。张巍团队在CoRL 2025发表的《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-Top Manipulation》提出了GVF-TAPE框架，实现了无需动作标签的闭环操作。

框架核心设计：

• 文本条件视觉预见模块：基于整流流模型预测未来RGB-D序列
• 任务无关姿态估计模块：仅需随机探索数据训练
• 闭环执行机制：视觉规划→姿态提取→动作执行

在LIBERO基准测试中，GVF-TAPE取得了显著优势：

• 空间任务成功率95.50%，物体任务86.70%
• 仅用20%任务数据即可达到68%成功率
• 真实世界操作任务平均成功率56%（经预训练后提升至86%）

这项技术的突破性在于，首次实现了完全不需要动作标注的机器人操作学习，大幅降低了数据收集成本。

3. 强化学习算法的前沿创新

3.1 基于流模型的策略优化方法

在ICLR 2026发表的《PolicyFlow: Policy Optimization with Continuous Normalizing Flow in Reinforcement Learning》中，团队解决了传统PPO算法难以建模复杂动作分布的局限。

主要技术贡献：

1. CNF策略的重要性比率近似方法
2. 布朗熵正则化器促进动作多样性
3. 保持PPO训练稳定性的同时提升表达能力

实验结果表明：

• 在MultiGoal任务中实现多目标均衡覆盖
• 计算效率仅比标准PPO增加不到50%
• 在导航等任务中性能显著优于基线

这项研究为复杂机器人控制任务提供了更强大的策略表示能力。

4. 产学研融合的独特优势

张巍团队的一个显著特点是学术研究与产业应用的深度结合。这种模式带来了多重优势：

1. 问题导向的研究：产业实践帮助识别真实场景中的核心技术瓶颈
2. 快速验证循环：实验室突破能迅速在产品中得到验证和迭代
3. 数据飞轮效应：实际部署产生的大量数据反哺算法改进

逐际动力目前已推出多款创新产品：

• LimX COSA具身智能体系统
• TRON系列多形态双足机器人
• 高性价比人形机器人LimX Oli

这些产品已销往全球80多个国家和地区，形成了商业闭环。

5. 对研究者和从业者的启示

张巍团队的研究轨迹为具身智能领域的发展提供了重要参考：

1. 技术路线选择：

• 注重基础理论与工程实践的平衡
• 优先解决产业落地中的核心瓶颈问题
• 保持技术的前瞻性布局

2. 研究方法论：

• 仿真与真实环境并重的验证策略
• 注重算法的通用性和可扩展性
• 构建完整的技术栈而非单点突破

3. 职业发展建议：

• 培养跨学科的复合能力
• 重视第一性原理思考
• 保持对技术趋势的敏感度

对于希望进入该领域的研究者，建议重点关注以下方向：

• 多模态感知融合技术
• 基于世界模型的预测控制
• 仿真到真实的迁移学习
• 低成本的机器人学习框架

张巍团队的成功实践表明，在具身智能这个新兴领域，中国科研团队完全有能力做出世界级的研究成果，并在产业化方面走在前列。随着通用人形机器人技术的不断成熟，这种产学研深度融合的模式将展现出更大的价值。