编辑丨 量子位 点击下方 卡片 ，关注" 具身智能之心 "公众号 >> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区： 具身智能之心知识星球（戳我） ，这里包含所有你想要的! 近日，来自北京大学与BeingBeyond的研究团队提出 DemoHLM 框架，为人形机器人移动操作（loco-manipulation）领域提供一种新思 路——仅需1次仿真环境中的人类演示，即可自动生成海量训练数据，实现真实人形机器人在多任务场景下的泛化操作，有效解决了传统方 法依赖硬编码、真实数据成本高、跨场景泛化差的核心痛点。 DemoHLM的核心创新在于"分层控制+单演示数据生成"双引擎，既保证了全身运动的稳定性，又实现了极低数据成本下的泛化学习。 分层控制架构：兼顾灵活性与稳定性 DemoHLM采用"低层全身控制器+高层操作策略"的分层设计，解耦"运动控制"与"任务决策"： 此外，团队为机器人设计了 2DoF主动颈部+RGBD相机 （Intel RealSense D435），通过比例控制器实现"视觉追踪稳定"，模仿人类操作 时的视线调节能力，避免物体遮挡导致的感知失效。 核心挑战：人 ...

近日，来自北京大学与BeingBeyond的研究团队提出DemoHLM框架，为人形机器人移动操作（loco-manipulation）领 域提供一种新思路——仅需1次仿真环境中的人类演示，即可自动生成海量训练数据，实现真实人形机器人在多任务 场景下的泛化操作，有效解决了传统方法依赖硬编码、真实数据成本高、跨场景泛化差的核心痛点。 核心挑战：人形机器人移动操作的"三重困境" 移动操作是人形机器人融入人类环境的核心能力（如搬箱子、开门、递物等），但长期受限于三大难题： 现有方案要么局限于仿真场景，要么需消耗数百小时真实遥操作数据，难以满足家庭、工业等复杂场景的实用需求。 DemoHLM：分层架构与数据生成革新，破解三重困境 数据效率低：传统方法需采集大量真实机器人遥操作数据，成本极高且难以规模化； 任务泛化差：依赖任务特定的硬编码设计（如预定义子任务、专属奖励函数），换任务需重新开发； Sim-to-Real迁移难：基于仿真训练的策略常因物理引擎差异、传感器噪声，无法在真实机器人上稳定运行。 DemoHLM的核心创新在于"分层控制+单演示数据生成"双引擎，既保证了全身运动的稳定性，又实现了极低数据成本 下的泛化学 ...