斯坦福HomeBody项目借助GPT-6 Astra控制宇树G1，实现无专用训练下的厨房跨任务操作

一句话结论

斯坦福HomeBody通过GPT-6 Astra调度宇树G1，免训练即可在新厨房完成收纳与取物任务，拓展了大模型控制具身智能的泛化边界。

关键要点

• 斯坦福团队最新项目HomeBody中，宇树G1在陌生厨房先完成空间探索，随后按语言指令执行归拢、丢弃和远距离取物。
• 系统以GPT-6 Astra为决策中枢，将导航、抓取、放置、开抽屉、抽屉取物封装为可调用的技能工具，而非由大模型逐步输出底层关节动作。
• 部署到新的厨房场景时，HomeBody无需额外采集训练数据，也无需再训练一套专用动作策略。
• 机器人运行在一台搭载RTX 4090的笔记本电脑上，GPT-6 Astra在远端负责高层决策。
• 系统目前仍存在硬件限制，例如手指舵机在长时间工作时会过热。

背景与事实

斯坦福团队发布的HomeBody项目，展示了让宇树G1在真实厨房中完成多步骤任务的完整流程。机器人接到的第一条指令是“你是一台厨房机器人，请探索这个空间”。此后，G1会沿着GPT-6 Astra选择的位置移动，同时记录相机画面、激光雷达扫描、关节姿态和经过的坐标。相机负责识别物体与场景内容，激光雷达提供空间结构，SLAM（同步定位与建图）帮助机器人在建立地图的同时确定自身位置。这些观测信息不会随机器人转身而丢失，而是被保存为后续任务可检索的空间记忆。

探索完成后，GPT-6 Astra扮演Real2Sim智能体，在Isaac Sim仿真平台中重建一个数字厨房。该数字孪生不仅还原了房间外观，还纳入了SLAM测得的几何信息，如台面位置、通道宽度等约束，以确保重建结果满足机器人实际通行与伸手范围。系统会把真实世界的定位地图与数字厨房对齐到同一坐标系，并将画面、内容描述和位置信息绑定在一起。这样一来，先前保存的画面不仅能回答“我见过这个抽屉”，还能给出可以返回的具体坐标。

当用户下达“收拾一下厨房”“把咖啡袋集中放到中间，再丢掉指定的牛奶和橙汁纸盒”“帮我把药拿来”等指令时，GPT-6 Astra会综合当前画面、地图、空间记忆、手中是否持有物品以及上一步执行结果，选择下一步调用哪项技能、操作哪个目标。即使药物不在当前视野中，系统也能从关键画面中定位抽屉，并串联导航、开抽屉、取物等技能完成递药任务。值得注意的是，HomeBody的感知、规划和技能执行运行在一台搭载RTX 4090的笔记本上，GPT-6 Astra在远端负责决策。

影响分析

对中文开发者与具身智能从业者而言，HomeBody提供了一种不同于“大模型逐步生成底层动作”的架构范式。其核心在于把决策层（System 2）与执行层（System 0）解耦，通过预设技能库（Navigate、Pick、Place、Open drawer、Pick from drawer等）实现任务级调度。这意味着研发团队不必为每一个新环境重新训练专用VLA（视觉语言动作模型），只要保证技能库和空间记忆模块的完备性，就能实现跨场景泛化。分析判断，这种架构降低了多场景部署的数据成本，但将复杂度转移到了技能库的设计与预训练控制器（如AMO策略）的鲁棒性上。对于国内团队，这提示在构建机器人操作系统时，应重视高层技能接口标准化与底层控制策略的预训练积累，而非单纯堆叠大模型参数。

适用边界

HomeBody的“免训练部署”结论仅适用于感知、运动规划和预训练控制器已经具备基础能力的场景。如果目标环境存在技能库未覆盖的新奇操作（如使用全新工具、应对非标准结构），系统仍需扩展技能或重新配置。此外，该系统对硬件性能有明确要求，依赖RTX 4090级别算力与远端GPT-6 Astra的推理能力，且受限于手指舵机散热等物理瓶颈，因此不适用于需要长时间连续高强度作业或对延迟极度敏感的工业级精密操作场景。

孤本观察

编辑判断：HomeBody的价值不在于“GPT能干活”，而在于它证明了高层大模型可以通过工具调用而非直接运动学求解来驱动机器人，这一架构选择是当前具身智能从实验室走向泛化部署的关键中间态。

来源：量子位