机器人全身协同控制模型排行榜：精细操作评测

机器人现在能够撕开茶包了。

关键区别在于：它并非先走到桌前、稳稳站定、再伸手撕开。而是将行走、姿态调整、躯干协调与手指的精细动作整合在同一个策略中实时执行。

单一模型同时驾驭移动与精细操作。

Current Robotics 今日正式推出全身灵巧操作模型 Curr-0。其核心突破在于：通过单一策略（Single Policy）将移动控制、全身姿态协调与手部精细操作深度耦合，实现端到端自主执行。这背后是该公司在机器人数据基础设施与具身智能全栈训练系统上多年的积累。

Curr-0 的演示展示了机器人执行撕茶包、点香、盖章、拾取皱纸团、抱着玩具穿过门口并蹲下放入篮子等任务。这些任务看似简单，难点在于全身与手必须协同工作：站姿关乎抓取稳定性，躯干扭转决定手臂能否到达，身体重心移动直接影响施力方式。

手部难题的根源不在手本身

观察人类弯腰拾物：双脚、膝盖、腰部、肩膀、手指同步调整，形成连贯动作，而非“先站稳再伸手”的离散步骤。

传统机器人的操作逻辑通常是：

“移动—停止—操作—再移动”

这种逻辑在工厂流水线上勉强可用，但在真实世界中基本失效。抓取稳定性依赖站姿，能否触及取决于身体配合。因此，手部灵巧只是前提，全身与手如何协调才是核心瓶颈。

对机器人而言，移动与操作是同一个问题，而非两个独立模块。Curr-0 的目标正是攻克这种“全身灵巧操作”（Loco-Dexterous Manipulation）能力。

单一模型统御全身

Curr-0 的实现思路彻底颠覆了传统范式：它不再将移动控制、全身姿态协调和手部精细操作视为三个独立模块进行拼接，而是将其统一为一个端到端训练的问题。

换言之，机器人无需“先规划再行动”，而是在运动过程中让全身与手实时耦合、动态调整。单一模型、共享权重、全程自主执行。

同一策略同时管控身体移动、姿态稳定与精细操作，使机器人真正具备全身协同完成任务的能力。

人形全身精细操作的数据来源

Curr-0 的训练依托于 21,000 小时的真人行为数据，其中包含 2,800 小时的全身示教数据。

这些数据源自 Current Robotics 自主研发的全身外骨骼数据采集系统——HumanEx。

与传统的直接遥操作机器人不同，HumanEx 让人类穿上外骨骼设备在真实场景中自然执行任务。由于无需操控机器人本体，该系统可直接部署于工厂、实验室、办公室等真实环境采集数据。系统同步记录全身姿态、关节运动、手部动作、本体感知、肌电信号及环境交互数据，并转化为机器人可学习的训练素材。

这类数据的核心价值不仅在于记录“手如何动作”，更在于完整记录“全身如何配合手完成任务”：脚如何站稳、躯干如何调整、身体如何发力、手指在接触瞬间如何实现精细控制。

Current Robotics 的核心判断是：数据并非模型训练的副产品，而是具身智能系统的基础设施。

HumanEx 将数据规模的增长路径从“机器人部署小时数”切换为“人类任务小时数”——数据飞轮不再受限于机器人部署数量，而是随真实人类任务的执行持续扩展。

下一步：多物理模态交互世界模型

Current Robotics 认为，仅依赖真实机器人训练无法支撑大规模迭代。物理世界的扩展成本高昂：每次测试消耗硬件、能源与人力，失败无法回滚，场景也无法按需重置。

为此，团队正在构建一个融合视觉、本体感知、力觉等物理信号的多物理模态交互世界模型，旨在将评测、后训练及部署验证从真实硬件迁移到可扩展的数字环境。

在此基础上，Current Robotics 提出“Human-in-the-World-Model”框架：人类可直接在世界模型中介入并修正策略，修正结果随即用于后续训练，从而降低后训练过程对真实机器人部署和人工干预的依赖。

从数据到部署：全栈闭环

从 HumanEx 采集真实人类数据，到 Curr-0 端到端训练，再到世界模型评测，最后到 Human-in-the-World-Model 后训练与部署——数据、模型、评测、部署四个环节在同一体系内持续迭代。

Current Robotics 的真实目标并非单点技术突破，而是构建完整的全栈闭环。

沿着这一路径，随着人类行为数据持续积累，模型能力可不断提升，而不再依赖机器人舰队（Fleet）规模的被动扩张。

当行业从“让机器看懂世界”转向“让机器改变世界”时，全身灵巧操作正成为下一代人形机器人的核心能力之一。Curr-0 正是 Current Robotics 在全栈路线上的一次阶段性成果展示。

技术报告：
current-robotics.com/blog/curr-0