摔倒与伤损再也难不住机器人：亮源新创发布全身韧性智能技术Light REACT

　　具身智能公司亮源新创今日发布面向人形机器人的全身韧性智能技术Light REACT，交付“规模化部署”范式的首个成果。围绕“规模化预训练、规模化对齐、规模化部署”三段范式，亮源新创持续推进机器人能力的构建与应用。

　　继9月1日发布“规模化对齐”首个成果LightNav-0后，Light REACT进一步面向真实运行中的全身控制挑战，将机器人在故障与扰动下的自主适应建模为一个具身 In-Context Learning(上下文学习)问题：机器人以近期的全身交互历史为上下文，在模型参数保持不变的情况下，适应运动能力变化。

　　无需接收故障标签，也无需人工切换控制模式，机器人即可根据运动反馈调整全身动作，在部分关节失效后仍能自主运动，为规模化部署打通“最后一公里”。

　　关节失效后，机器人仍能自主运动

　　规模化部署要求机器人在运行条件发生变化后，仍能自主适应。部分关节失效时，同样的动作指令可能产生不同的运动结果，原有运动方式也可能无法维持。如果异常发生后仍需依赖现场人员处理或重新训练模型，机器人的持续运行就会受到限制。亮源新创Light REACT将故障自适应行走、爬行与摔倒恢复整合进同一个控制策略：部分关节失效时，机器人能够协调可用关节，调整步态与发力;无法站立时，则可调用手臂等部位转入爬行;遭遇外部扰动并摔倒后，也能根据当前运动能力尝试恢复。在整条腿失去供电的内部仿真测试中，亮源新创Light REACT展示了通过调整全身动作继续行走，或采用爬行方式移动的能力，整个过程无需人工切换模式。从步态调整到全身行为重组，这种全身韧性使机器人能够在故障发生后，尽可能利用仍然具备的能力继续自主运动。

　　亮源新创Light REACT可让摔伤后的人形机器人自主恢复运行

　　具身In-Context Learning：从交互历史中适应故障

　　一个关节失效后，变化会体现在运动反馈中：预期发生的动作没有完成，实际产生的运动与原先不同。这些差异包含在近期的全身交互历史中，为策略判断当前运动能力提供依据。亮源新创Light REACT无需接收标识故障部位与程度的标签，而是利用这段历史推断哪些动作仍然可行，并据此调整后续控制;随着新的交互进入上下文，策略能够根据实际反馈持续适应。模型参数保持不变，交互上下文持续更新，机器人的动作随之调整——这是亮源新创Light REACT所研究的具身In-Context Learning问题，也是机器人在部署过程中适应变化的核心机制。亮源新创将这一机制命名为“全身上下文学习”(Whole-Body Context Learning)，使基于上下文的适应覆盖全身控制，从行走中的步幅、发力调整，延伸至行走、起身与爬行之间的行为变化。运行中产生的经验由此直接进入策略上下文，成为机器人应对当下变化的依据，无需等待现场再训练，也无需由人工指定应对模式。

　　训练中学会利用上下文，部署时通过交互自主适应

　　这套能力来自训练阶段的专门设计。亮源新创团队在仿真环境中合成大量全身交互上下文数据，覆盖不同故障条件下的行走、爬行与摔倒恢复。基于这些数据，团队训练Transformer策略，使模型学会利用连续的交互历史，根据运动反馈推断当前运动能力，并据此调整全身动作。部署时，机器人无需接收故障标签，也无需更新模型参数，而是以近期的全身交互历史为上下文，自主适应运动能力的变化。训练中学会利用上下文，部署时通过交互持续适应，构成了亮源新创Light REACT全身韧性智能的基础。框架名称REACT取自其研究的问题：人形机器人韧性控制(REsilient humAnoid ConTrol)。

　　让自主适应成为规模化部署的基础能力

　　当机器人走向规模化部署，每台机器都会经历不同的扰动、故障与运行状态。同一个模型需要能够利用各自的交互经验，应对这些差异。亮源新创Light REACT将这种适应能力带入全身控制，让机器人根据自身的运动反馈调整行为。对于亮源新创，规模化部署应当让机器人的自主能力随数量一起扩展，减少每次异常都需要现场人员处理的情况;持续运行所积累的经验，也将回流后续训练与模型迭代，形成数据飞轮。三段范式共同指向的目标，是让训练中获得的能力在真实世界中持续发挥作用，并通过实际应用不断改进。亮源新创Light REACT是这一方向在规模化部署中的首个成果：让自主适应成为机器人部署后的基本能力，让真实运行持续推动下一轮能力提升。