讓機器人告別「四肢發達、頭腦簡單」：拆解樂聚科研框架 2.0 的一體化野心

通過數據+賽事的雙輪驅動，樂聚補齊了機器人落地的短板。

提起機器人，你腦海里浮現的是什么？

是春晚舞臺上整齊劃一、舞姿曼妙的舞林高手？還是展會上只會機械地遞咖啡、轉圈圈的氣氛組？

在很多人印象中的機器人，雖然 Demo 看起來無所不能，但真要讓它去廚房幫你拿個杯子，它可能下一秒就在地毯上表演平地摔，或者對著墻角陷入漫長的深度思考。

這種大腦想得美，小腦跟不上的尷尬現象，被研究者戲稱為“兩層皮”：決策層（大腦）滿腹經綸，但執行層（小腦）卻步履蹣跚；或者運控極其精準，卻完全不具備應變能力。兩套系統各說各的話，一到復雜場景就宕機。

這種斷層，正是制約人形機器人從實驗室走向真實場景的最大藩籬。

近日，樂聚機器人發布的科研框架 2.0，試圖通過一套深度集成的“大小腦一體化”邏輯，打破這道阻礙機器人走進現實世界的圍墻。

01

具身機器人卡在哪？

要理解樂聚科研框架 2.0 的目標與作用，必須先看清行業的痛點。

目前具身智能研發面臨著軟硬割裂、流程碎片化、研究與實際應用落差困局。

一方面，行業普遍將機器人的功能拆分為兩個獨立系統：

?大腦（大模型/任務規劃）：負責理解語義、拆解任務、自主決策。

?小腦（運動控制）：負責平衡、運動、多關節協同。

這種架構看似分工明確，實則隱患重重。

機器人的大腦決策與小腦運控往往互不通、不同步，導致其在處理長時序復雜任務時表現僵硬，難以實現類人級別的應變。

另一方面，研發工具鏈極度分散，從數據采集、仿真訓練，到真機部署的各個環節互不兼容，研發時要將大量精力耗費在環境適配和重復造輪子上，阻礙了算法創新。

研究人員常面臨采數 1 天、調參 3 天、部署卡殼 1 周的窘境，這種碎片化導致大量精力被浪費在環節銜接上，而非核心科研。

此外，高質量真機數據的稀缺與硬件尺寸的限制，也使得研發成果往往局限于實驗室 Demo，難以跨越Sim2Real（仿真到真機）的橫溝。

02

大小腦一體化，終結思考與動作的斷層

樂聚科研框架 2.0 的核心解法非常明確：重構大小腦的協同邏輯，實現感知、決策、執行的端到端打通。

在這套框架下，大腦與小腦不再是兩套說不同方言的系統。該框架統一兼容了全尺寸機器人平臺，確保了從頂層決策到底層硬件執行的高速通訊協議對齊。

這種一體化設計意味著，機器人在動作執行的過程中，大腦實時感知環境變化，并動態調整小腦的運控參數。

機器人的能力也會進化，從機械執行，到類人作業。

依托于 OpenLET 社區與樂聚 LET 全身運控/靈巧操作數據集，樂聚的小腦系統可以穩定輸出高動態、流暢的動作。

與之相配合的是，大腦具備了極強的長程任務拆解與場景泛化能力。在調酒、分揀等多步驟復雜任務中，機器人可以自主規劃路徑，根據物品的擺放位置靈活調整抓取力度與角度。

長程任務全流程自主操作演示

現在很多研究機構使用的，是 1 米左右的中小尺寸機器人，但這會帶來泛化難題：小機器人無法完成彎腰取地上的重物、伸手取高架上的零件等真人日常動作。這種空間受限的數據，在真實的工業或家庭場景中幾乎沒有落地價值。

樂聚科研框架 2.0 則引入了 1.70 米全尺寸全身實時遙操系統。

?實時同步：支持真人動作的毫秒級實時同步。

?全自由度：支持彎腰、下蹲、全身聯動，完全貼合人類的作業姿態。

?真實覆蓋：1.7 米的身高確保了操作空間能覆蓋真實的工業和家庭環境高度需求。

樂聚KUAVO5全尺寸全身遙操演示

通過這種全尺寸遙操，科研人員可以在更貼近現實的環境下采集數據、驗證算法，讓科研成果不再僅僅是實驗室里的 Demo，而是直接面向可應用的真實任務。

以上種種轉變，目的就是讓機器人從簡單的工具，升級為具備了思考+執行能力的智能體。

03

一站式工具全家桶：拒絕重復造輪子

具身智能研發的另一大門檻，在于極度碎片化的開發鏈條。與外界的理解相反，看似并不性感的工程適配，往往會占據大量研發時間，拖慢創新進度。

為了終結這種低效循環，樂聚科研框架 2.0 提供了一站式閉環工具鏈。

在小腦運控工具上，樂聚提供了三大核心倉庫：

? Leju-GMR： 專注于動作重定向。它能精準地將人類的動作映射到機器人的關節上，確保數據采集的原汁原味。

? LejuLab-Train：內置多種任務范式。實現零基礎上手，完成機器人行走、倒地起身和舞蹈的場景任務，解決以往研究中訓練范式不標準、難以快速上手的問題。

? LejuLab-Deploy： 實現了跨機型的一鍵式快速部署。無論是中尺寸的教學演示機，還是全尺寸的工業實操機，都能做到開箱即用。

基于真人舞蹈軌跡的強化學習訓練演示

在大腦的具身模型長程任務規劃和泛化能力上，提供一整套訓練推理部署的工具鏈和數據集。框架配套了高質量的具身任務數據集，開發者可以利用這些數據直接進行模型訓練。

數據永遠是 AI 最好的老師，但在機器人領域，高質量的專家數據極度稀缺。

為此，科研框架2.0還提供全尺寸全身實時遙操技術，支持真機數據采集和模型二次訓練。

全身遙操提供的數據集、基準模型和部署框架，用戶可以進行二次訓練，部署到真機上進行高質量操作數據的采集。

這種全鏈路工具鏈的價值在于，它將開發者從底層代碼的泥潭中拉了出來，讓他們能專注在更具價值的算法創新上。

04

補齊落地最后一塊拼圖

有了框架和硬件，接下來就是如何讓這套系統跑起來。

樂聚通過數據+賽事的雙輪驅動，補齊了落地的短板。

就在前不久，開放原子具身智能開源數據集社區正式啟動，并發布 OpenLET 全身運控數據集。該社區由開放原子開源基金會發起建立，樂聚機器人牽頭建設，聯合了一眾具身智能企業和科研院校，是一個聚焦具身智能開源數據集和算法的社區。

目前，針對真機數據采集成本高、多模態數據零散的痛點，樂聚提供了開源的數據底座，里面包含了6 萬+分鐘的開源真機數據。這些數據覆蓋了工業、商業、家庭等117 項原子技能，涵蓋了力控、觸覺、全身關節等全方位維度。

此外，樂聚還對接ICRA、天池、機器人及人工智能、挑戰杯等高含金量賽事，為科研團隊提供真機評測資源。

這種數據訓練—算法迭代—賽事驗證—產業轉化的閉環，讓算法不再只是論文里的跑分，而是能真正走出實驗室，進入工廠和家庭。

可以看出，樂聚科研框架 2.0 的發布，不僅是一次簡單的工具迭代，更是對機器人研發范式的重新思考。

通過將大腦的邏輯能力與小腦的運動能力深度整合，并輔以全尺寸硬件支撐和海量開源數據，樂聚正在實現普通人對機器人的最終幻想：讓它不再是冷冰冰的執行機器，而是能夠通過學習和思考，最終成為在復雜現實世界中工作的主體。

當大腦與肢體終于不再割裂，當機器人能夠像人類一樣，將思考與動作無縫融合，那些曾經只存在于科幻電影中的應用場景，才真正具備了商業化落地的可能。

未經「AI科技評論」授權，嚴禁以任何方式在網頁、論壇、社區進行轉載！

公眾號轉載請先在「AI科技評論」后臺留言取得授權，轉載時需標注來源并插入本公眾號名片。