苹果研究团队11月4日在预印本平台arXiv提交论文，披露人形机器人自主控制系统HALO，并在宇树G1人形机器人上验证。HALO的全称是Humanoid Autonomy, Learned in simulation, running Onboard，意为在仿真中学习、在机载设备上运行的人形机器人自主系统，名字本身就点明了技术路线。
HALO分三层：上层由视觉语言模型负责编排技能，中层由扩散模型根据图像生成运动，下层则由完全在仿真中训练的策略负责跟踪执行。三层各司其职，机器人无需遥操作、无需动作捕捉、无需真实家庭数据训练，就能把仿真中学到的动作搬到陌生真实房间里执行。
论文的关键数字是91%：在6个未建图的真实环境中，HALO完成了360次试验，成功率达到91%。技能覆盖坐下、导航至指定物体、侧身穿过半开的门、在桌下蹲伏与爬行、推动箱子，以及多步骤长程任务的串联，覆盖了家庭场景里的常见动作。
两个千问模型各司其职
HALO用到的两个千问模型分工明确：运动生成器以冻结的Qwen3.5-2B视觉语言模型为编码器，配合同架构解码器以流匹配方式生成5秒、150帧的运动计划；编排器则在机载Mac mini上运行Qwen3.6-35B-A3B的4-bit量化版，无需联网，也可选用前沿闭源模型。
训练数据的规模同样可观：296.3小时、162698个回合、1000个程序化生成的家庭，全部来自仿真。仿真训练的意义在于，机器人可以在虚拟家庭里无限试错，而不用在真实世界里摔坏硬件，成本与风险都大幅降低，训练效率也更高。
从仿真到真实的零样本迁移
HALO的真正卖点是零样本迁移：训练全在仿真里完成，部署时直接进入从未见过的真实房间。单任务真实成功率平均91%，与仿真中的91%持平，说明仿真与真实之间的差距已经被抹平；多任务平均真实成功率为70%，仿真为69%，同样接近。
硬件上，验证平台是宇树G1人形机器人，加装后置Mac mini机箱后重37.56公斤，配Mac mini M4 Pro、Jetson Orin NX、OAK-1W广角RGB相机与RealSense深度相机。整套系统跑在机器人自己身上，不依赖云端，离线也能工作，隐私与延迟都有保障。
苹果选择公开这篇论文，等于把人形机器人的一条技术路线摆上了台面：仿真训练加机载模型，不靠海量真实数据，也能让机器人在陌生环境里干活。这条路线能不能走通，91%的成功率给出了一个初步答案，接下来要看它能否走出实验室。走出实验室，才是真正的考验。