HomeBody是由斯坦福大学The Movement Lab与加州理工学院共同在2026年9月发表的人形机器人自主系统论文，作者团队包括Caltech的Gio Huh与斯坦福的Cayden Gu、Takara E. Truong、C. Karen Liu与Guy Tevet。论文主页面tml.stanford.edu/homebody把研究目标讲得很直接：在工程师从未进入过的厨房环境里，让宇树Unitree G1在GPT Astra高层指令的指挥下，自主完成清理咖啡袋并丢掉过期牛奶橙汁盒的长时间家务，全程不需要针对该环境训练专门策略。Gio Huh作为Caltech本科生以Mark Reinecke SURF学者身份在斯坦福Movement Lab参与此项工作。
三层架构被压成两层：跳过System 1 VLA
HomeBody的研究动机建立在对人形机器人自主系统经典三段式的审视之上。经典方案由System 2级视觉语言模型理解指令与视觉，再交给学习得到的System 1视觉-语言-动作模型产出命令，最后落到System 0级的全身跟踪控制器执行协调动作。HomeBody的核心问题由此提出：随着Astra级前沿VLM越来越强，是否还需要那个学得的VLA夹层，让System 2级VLM直接调用一套可复用的运动技能库？论文给出的答案是肯定的。HomeBody把三段链路压缩为两层：用Astra配合持久空间记忆直接调用组合式技能库，并依赖技能执行的反馈让VLM在下一次决策时自主纠错。
空间记忆、Real2Sim与Super Odometry
要在一个陌生厨房完成跨房间家务，机器人必须建立对自身以外空间的内部表征。HomeBody先让G1在厨房中自由探索，收集0.5倍速iPhone视频、Intel RealSense D435i相机观测、LiDAR扫描与SLAM结果、关节位姿与Astra选定的航点。然后用Astra本身作为Real2Sim代理，基于机器人自身采集的数据在NVIDIA Isaac Sim里构建数字孪生，把SLAM几何与视觉语义对齐到同一坐标。运行时，HomeBody使用Super Odometry对G1自身定位，再用迭代最近点把SLAM地图与重建仿真对齐，把自我中心观测与全局空间记忆装在同一个共享坐标系里，从而能在已经离开视野的抽屉里找到药瓶。
技能库、AMO控制器与本地4090
HomeBody的技能库当前包含五项可组合技能：取、放、开抽屉、从抽屉取物、导航。每项技能对外暴露统一的接口，VLM只需在工具调用里指定技能与目标，取物调用指定归一化到0到1000的图像点与左右手，由分割模型识别物体，Fast-FoundationStereo从D435i双目图像估计深度，相机标定把遮罩几何投影到三维空间，解析预测抓取姿态，再交给带最小急动度时间参数的样条参考并解逆运动学。全身控制使用预训练AMO策略，上下身在250Hz上接受指令，下身策略每5个控制周期以50Hz更新以保持平衡。整套技能在装备RTX 4090的Razer Blade笔记本上本地运行，GPT Astra则部署在远程，技能请求与执行结果在两端交换。论文坦承局限：Real2Sim重建引入额外设置时间与API成本，硬件耐受度受指尖舵机过热约束，Astra的推理延迟在技能切换处可见，本地栈需要RTX 4090级别笔记本GPU，但整套系统能在未见过的厨房里完成收拾与取药，代表了AI代理驱动的具身自主这条路线目前可达到的水平。