VLA 图库 / 模型列表 / 人形机器人全身控制器

Figure RL 보행 제어기

Figure RL行走控制器 (Reinforcement Learning Walking)

Figure AI · 2025-03

VA人形机器人全身控制器未公开RL策略

并行仿真物理参数各不相同的数千台Figure 02，在几小时内学习数年量的仿真演示。

论文

无论文

概述

分类

人形机器人全身控制器

类型

VA

发布

2025-03

机构

Figure AI

权重公开

否

参数

未公开

架构

主干LLM

无

视觉编码器

—

动作头

kHz级扭矩反馈控制 (RL策略)

动作块

未公开

控制频率

未公开

架构原文摘要

用RL训练的end-to-end神经网络(类型未公开);在机器人上做kHz级力矩反馈控制

训练

预训练加速器

未公开 (GPU加速仿真，名称未公开)

预训练时长

'几小时'(相当于数年的仿真演示)

预训练步数·批量

未公开 (Figure 02数千台并行仿真)

GPU·TPU-小时

未公开

微调

未公开

数据类型

仿真·合成

数据规模

人类行走参考轨迹 + 并行仿真经验(规模未公开)

主要数据集

未公开

任务·评估

10台Figure 02用同一个RL神经网络行走

机器人

Figure 02

推理

推理设备·速度

在机器人上进行kHz级力矩反馈控制

推理显存

未公开

权重 bf16（计算）

未公开

运行位置

机载

强化学习与底盘

强化学习

使用 (RL控制器训练) · 经仿真RL训练的端到端行走神经网络

底盘控制

人形双足 (RL策略直接驱动) · RL策略直接控制Figure 02行走 (仿真RL训练,输出以kHz力矩闭环执行)

备注

核心特点

并行仿真物理参数各不相同的数千台Figure 02，在几小时内学习数年量的仿真演示。通过域随机化迁移到实机，10台Figure 02用同一个RL神经网络行走。

备注

与Helix无关的2025年行走控制器。仿真器·网络类型·GPU未公开。博客2025-03-25。不属于核验文件对象。

核验

未验证