這些機器人於30個不熟悉的舊金山灣區住宅中進行測試，無需額外訓練或使用這些住宅的數據，僅憑已學到的知識即可整理房間、折疊毛巾和鋪床。這種真實世界的泛化能力，對人形機器人而言是一大進展。 此次討論重點強調了零樣本泛化，解決了機器人操作任務中長期存在的脆弱策略問題。 透過利用大規模預訓練的多模態嵌入，機器人的策略網絡可直接將視覺輸入映射至關節力矩，無需針對特定任務重新訓練。 這種新興的零樣本能力，使該平台能夠成功執行全新的操作流程，並動態應對非結構化環境。 首席執行官（布雷特·阿德科克）詳細闡述了從傳統層級化管道控制架構，轉向統一的神經網絡架構以整合感知與控制的變革。 邊緣計算優化、傳感器融合精度與端到端學習的融合，正在縮短自主部署的時間表。 仍期待 @continuumlabs_ 早日推出 全體都熱切等待