一句话看懂：Hugging Face Papers 于 2026 年 10 月 8 日收录的论文提出 Reflex 三阶段框架，让宇树 G1 人形机器人靠自身 RGB-D 视觉接住抛来的箱子，5 米距离成功率 40%，约为人类接球者同距离表现的一半以上。
事件核心：发生了什么
这篇论文研究的是视觉反应式全身控制，以“接住被抛来的纸箱”作为代表性任务，因为它同时考验三件事：全身协同、对物体运动状态的实时反应、以及把感知落在第一人称视角上。此前系统往往只覆盖其中一部分，依赖末端执行器、动作捕捉或带标记的物体。
Reflex 的做法是把能力拆开训练：第一阶段用强化学习训练基于状态的全身接箱策略；第二阶段让策略从延迟且不完整的观测中推断箱子的运动动态；第三阶段固定全身控制器，用一个第一人称 RGB-D 编码器从视觉直接恢复这套动态表示。摘要显示，在仿真中，Reflex 仅凭第一人称 RGB-D 的接箱成功率为 85.7%，给出箱子特权观测时为 87.9%。时间上的视觉历史很关键：去掉后，在正中和侧向偏移抛掷上分别下降 35.6 和 39.8 个百分点。真机方面，宇树 G1 在 2.5 米和 5 米接人类抛箱的成功率为 65% 和 40%，约为同一距离人类接球者成功率的 76% 和 59%。以上均为论文摘要数据，不代表已上线产品。
为什么重要
人形机器人的竞争焦点正在从“站得稳、走得动”转向“对动态环境做出快速反应”。Reflex 的分阶段训练思路，把全身控制、动力学推断和视觉感知解耦，每部分都能获得更直接的训练信号，也让视觉学习更容易扩展。这对算力有限、真机数据昂贵的团队尤其有参考价值：不必一上来就做端到端大模型，可以先训好控制器，再把视觉编码器接到同一套紧凑表示上。
同时，这个结果仍属于仿真主导的研究验证，真机成功率随距离明显衰减，说明视觉反应式全身控制离稳定商用还有距离，但它给出了一个可复现的训练路径。
对用户/开发者/创作者的影响
对做机器人学习和具身智能的开发者，这项工作的价值在于“紧凑的物体动态表示”这一接口设计：状态策略、动力学推断、视觉编码器共用同一表示，意味着视觉模块可以替换、可以单独迭代，也便于迁移到接取、避让、卸货等任务。若后续开源，这类三阶段流程有望成为人形全身控制项目的起点，而不是从零搭建。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对关注硬件和算力的人来说，RGB-D 单目视觉加实时控制对机载推理的要求，会直接影响 G1 这类平台的传感器与边缘算力配置。对内容创作者和普通用户，短期内更实际的影响是：演示视频里“机器人接东西”会越来越常见，但判断水平时需看清距离、抛掷方式和成功率的统计口径。
值得关注的后续
一是论文是否放出代码和模型权重，这决定了社区能否复现 85.7% 的仿真结果；二是真机成功率能否在更长距离和更复杂抛掷下稳定，目前 5 米 40% 仍是摘要中的单点数据；三是其他团队会不会跟进类似“先控后视”的分阶段路线，以及宇树 G1 之外的人形平台是否验证同一方法。
