具身智能开源模型有哪些？

具身智能（Embodied AI）开源模型目前正处于“百家争鸣”的阶段，但要说最值得关注、且已经形成社区影响力的，我建议你优先关注 谷歌的RT-2系列、斯坦福的VoxPoser、英伟达的MimicGen / RoboCasa，以及国内智元机器人（Agibot）的AgiBot World。这些模型从“视觉-语言-动作”的底层范式到具体的操作数据集，基本覆盖了当前开源生态的骨架。

核心开源模型与数据集一览

为了方便你快速建立认知，我先把目前社区最活跃、论文影响力最高的几个项目整理成表格。它们分别代表了不同的技术路线：有的是“端到端”的决策模型，有的是“任务规划器”，有的是“仿真数据生成器”。

逐个拆解：这些模型到底能干什么？

1. RT-2 (Robotic Transformer 2) —— 端到端的“大脑”

这是目前最出圈的具身智能模型。它本质上是一个视觉-语言-动作（VLA）模型。你可以把它理解为：把机器人摄像头看到的画面，连同你下达的“把红色杯子放到左边”这样的自然语言指令，一起喂给一个巨大的神经网络，网络直接输出机器人手臂每个关节应该转多少度。

它的厉害之处在于，它利用了互联网上海量的图文数据进行预训练，所以当它看到没见过的物体（比如一个奇怪的玩具）时，能凭借“常识”推断出应该怎么抓。谷歌在官方博客中展示了它“即插即用”的能力，甚至能完成“把苹果放到空碗里”这种需要推理的指令。该项目代码和模型权重在GitHub上开源。

2. VoxPoser —— 无需训练的“规划师”

如果你觉得RT-2训练起来太费资源（需要大量机器人数据），VoxPoser提供了一条完全不同的路径。它不直接输出动作，而是利用大语言模型（LLM）和视觉语言模型（VLM），在3D空间里“画”出一张价值地图。比如，任务要求“把杯子放到盘子旁边”，VoxPoser会生成一个3D体素图，其中“杯子抓取点”区域是吸引子，“盘子边缘”是约束条件。然后使用传统的模型预测控制（MPC）算法顺着这张地图执行动作。

这意味着你不需要任何机器人训练数据，只要有一个现成的LLM和VLM，就能让机器人完成复杂任务。斯坦福团队在Franka Panda机械臂上做了大量演示，成功率非常高。代码和论文在GitHub上完全开源。

3. MimicGen & RoboCasa —— 数据生成的“永动机”

具身智能最大的瓶颈是数据。真实机器人操作数据采集成本极高，一个简单的“抓取”动作可能需要人类遥操作几十次。英伟达的MimicGen解决的就是这个问题：它只需要少量（比如10个）真人演示，就能通过算法自动合成出成千上万个不同场景、不同物体位置的新演示数据。RoboCasa则是配套的、高保真的3D仿真环境，里面有大量可交互的厨房、客厅场景。

这两个工具配合起来，可以让你在仿真里生成海量数据，然后用这些数据训练一个策略，再迁移到真实机器人上。这对于没有实体机器人团队的研究者来说，是极为宝贵的资源。

4. AgiBot World —— 来自中国的“硬核”数据集

智元机器人（由“稚晖君”彭志辉创立）开源的AgiBot World是我认为国内最值得关注的具身智能项目。它包含了100万条以上真实世界机器人操作轨迹，涵盖超过100种物体和多种家庭、厨房场景。数据质量非常高，使用了高精度的6自由度机械臂和灵巧手采集。

与谷歌的Open X-Embodiment不同，AgiBot World的数据全部来自统一硬件平台，这意味着训练出来的模型可以直接在智元的机器人上跑，复现性极强。对于国内的研究者，这是一个可以直接拿来训练自己模型的宝藏。数据集和基线模型代码已在GitHub和Hugging Face上开源。

如何快速上手这些模型？

如果你是初学者，我的建议是：

• 先跑VoxPoser：因为它不依赖机器人硬件，你可以在仿真环境（比如MuJoCo或Isaac Sim）里验证效果。代码库很干净，跟着README走就行。
• 再试MimicGen：用它生成数据，配合扩散策略（Diffusion Policy）训练一个简单的抓取网络。这个过程能让你理解“数据-策略-仿真”的闭环。
• 最后挑战RT-2：如果你有GPU集群，可以尝试用Open X-Embodiment数据集复现RT-1-X。但注意，它的训练成本非常高，普通单卡很难跑起来。

相关项目官方入口：

• RT-2 论文与代码：https://robotics-transformer2.github.io/
• VoxPoser 项目主页：https://voxposer.github.io/
• MimicGen 代码仓库：https://github.com/NVIDIA-Omniverse/robocasa
• AgiBot World 数据集：https://agibot-world.com/
• Open X-Embodiment 项目：https://robotics-transformer-x.github.io/

相关问题

• 具身智能和传统机器人控制有什么区别？ 传统机器人依赖精确编程和模型，具身智能则强调让机器人通过视觉和语言理解环境，自主决策并适应变化。
• 训练具身智能模型需要多少数据？ 不同模型差距巨大。像VoxPoser零样本即可，而端到端模型如RT-2需要数十万甚至百万级演示数据。
• 目前有哪些好用的仿真环境？ 除了英伟达的Isaac Sim，还有MuJoCo、SAPIEN、Habitat 3.0。RoboCasa是最新且专门为操作任务设计的。
• 国内有哪些团队在做具身智能开源？ 除了智元机器人，还有清华的GR-MG、北京大学的PKU-Beaver系列，以及上海人工智能实验室的OpenRobot。
• 普通开发者如何参与？ 可以从Hugging Face的LeRobot项目开始，它提供了标准化的数据加载和训练代码，支持多种机器人平台。