一句话看懂：alphaXiv 收录的论文 Zero-HLM 提出一条“真实场景扫描—仿真训练—真机部署”的路线：仅用智能手机拍摄和仿真遥操作数据，就让 Unitree G1 完成搬运、放置等全身操作任务，在 Base 配置下平均全任务成功率达到 66.7%，高于真机数据训练策略的 46.7%。
事件核心：发生了什么
论文发布时间为 2026 年 10 月 26 日。核心问题是：人形机器人学习全身移动操作依赖昂贵真实演示。Zero-HLM 先用智能手机拍摄构建以高斯表示为核心的视觉参考，再由智能体据此生成可编辑网格场景，补齐碰撞与关节几何；然后从每个任务 15 条仿真源演示出发，结合 rollout 反馈修正全身参考动作和交互位置，最终生成 4,800 条通过物理校验的演示。
方法在三个任务上验证：香蕉抓放、蹲下搬戴帽子、双手搬篮子并用脚推柜门。使用 GR00T N1.7，在每任务 800 条 Zero-HLM 仿真演示训练下，真机 G1 平均全任务成功率为 66.7%；真机数据训练的对比策略为 46.7%。每个任务 20 次真机试验。作者还报告了在仿真中采集 50 条成功演示相比真机遥操作平均快 1.8 倍。
为什么重要
人形机器人数据瓶颈不止在“有没有数据”，更在场景对齐与动作可执行性。Zero-HLM 的价值在于把真实场景重建、动作重规划和仿真过滤串成一个训练数据生产管线，并以真机结果验证“零真实机器人数据”训练策略的可行性。它也显示 NVIDIA GR00T N1.7 这类通用策略模型在仿真数据上具备一定迁移能力。不过，目前公开信息显示这只是学术论文结果，并非已上线产品，也不代表该路线已通过同行评审。
对用户/开发者/创作者的影响
对机器人开发者，这条路线提示可优先投资场景重建与动作修正工具链，而不是无限制堆真实演示；对做具身智能应用或数据服务团队，仿真数据生成、物理校验和评测闭环可能成为可复用模块。但复现门槛不低，涉及高斯重建、网格编辑、仿真 rollout 与控制器对接，且真机部署仍需要工程调试。
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。
值得关注的后续
一是扩展配置下的泛化结果能否稳定复现，摘要提到扩展仿真训练将汇总成功率从 23% 提升到 69%，但需结合完整实验条件判断；二是这套真实到仿真流程能否适配 Unitree G1 以外的人形平台和更多任务；三是社区与后续工作是否会开源重建、动作修正与数据生成代码。
来源：alphaXiv
