Stanford's HomeBody connects GPT-6 Astra to the Unitree G1 to tidy up the kitchen

机器人的GPT时刻，还真得靠GPT（doge）！

刚刚，GPT-6 Astra接上宇树G1，进厨房干活了～

在斯坦福团队的最新项目HomeBody中，宇树G1先探索一个从来没见过的厨房，随后就能根据语言指令，收拾物品、丢掉纸盒，甚至把不在眼前的药找出来，递到人手里。

比如，让它把咖啡袋集中放到中间，再丢掉指定的牛奶和橙汁纸盒。

G1就会在厨房里来回搬运，把咖啡袋归拢到岛台上，再处理要丢弃的纸盒。

再比如，一句「帮我把药拿来」。

即使药不在当前视野里，它也能从之前保存的画面中找到线索，走到对应抽屉前，打开抽屉、取出药，再递给人，期间还能把丢纸盒的任务一并完成。

可以说，从Robocurve此前让GPT和Claude控制机械臂，完成桌面抓放测试，到这次G1走进厨房， 大模型控制机器人的任务范围，又往外扩了一圈。

这一次，机器人不只要判断眼前抓什么，还得记住东西在哪，再把走路、抓取、放置连成一串。

更值得注意的是，团队表示，部署到这个新厨房时，系统不需要额外采集训练数据，也无须再训练一套专用动作策略，泛化性是相当可以了。

看到这里，有人已经忍不住开始盘算了：

我要是有钱买台G1，再接上GPT，是不是也能……？

咱们先看看HomeBody究竟是怎么把活干起来的？

简单来说，HomeBody的核心思路可以概括为一句话： 让GPT把机器人技能当工具调用。

Astra负责理解目标、安排步骤，再调用导航、抓取、开抽屉等技能，把任务一步步做完。

不过，要让机器人去厨房拿东西，先得让它知道：厨房长什么样，东西又放在哪里。

整个过程，可以分成三步。

在HomeBody中，机器人接到的第一条指令很简单，「你是一台厨房机器人，请探索这个空间」。

随后，Astra会选择值得观察的位置，引导G1移动。机器人一边走，一边记录相机画面、激光雷达扫描，以及自身的关节姿态和途经位置。

相机负责看清房间里有什么，激光雷达等传感器提供实测的空间结构；SLAM，也就是同步定位与建图，则帮助机器人一边建立地图，一边确定自己在哪。

这些观察不会随着机器人转身就消失，而是会被保存下来，成为后续任务可以调用的空间记忆。

逛完还不够，Astra接下来还要担任Real2Sim智能体，在Isaac Sim仿真平台里搭出一个数字厨房。

这个数字孪生相当于一份立体房间模型，帮助系统判断各处的位置，以及机器人与目标之间的空间关系。

为了让数字厨房不仅看起来像，HomeBody还会把SLAM测得的几何信息也交给模型，用真实测量约束重建结果。

毕竟，台面的位置、通道的宽度，都会影响机器人能不能走过去、手能不能伸到位。

随后，系统会把真实世界的定位地图与数字厨房对齐到同一个坐标系，再将拍到的画面、内容描述和对应位置关联起来。

这样一来，之前保存的画面就不只是「我见过这个抽屉」，还对应着一个可以返回的位置。

之后再找东西，机器人就能先从记忆里查线索，再走回对应地点。

准备完成后，用户就可以说「收拾一下厨房」，再补充咖啡袋放哪里、哪些纸盒要扔。

Astra会结合当前画面、地图、空间记忆、手里有没有拿着东西，以及上一步的执行结果，选择接下来调用哪项技能、操作哪个目标。

前面展示的取药demo就用到了这种能力。用户虽然没说药在哪，但系统可以从保存的关键画面中找到抽屉，再把导航、开抽屉、取药等技能接起来。

此前，Robocurve让GPT、Claude控制机械臂，是让模型根据相机画面和机器人状态，通过工具调用指定夹爪的位置、朝向和开合状态，再由底层模块转换成具体动作。

HomeBody同样采用工具调用，但交给GPT的是更完整的技能：导航、抓取、放置、开抽屉，以及从抽屉中取物。

要理解这两者的区别，咱们先看看机器人系统的一种常见分工：

简单说，就是「安排任务—生成动作—控制身体」。

而HomeBody调整的，正是中间这一环： 让System 2直接调用技能库，由技能模块规划具体动作，再交给底层控制系统执行，不必经过一个学习型VLA。

具体来说，这些技能库里装的是已经写好、可复用的电机技能（Navigate、Pick、Place、Open drawer、Pick from drawer 等）。

这些技能有统一的接口：大模型只需要告诉它“去哪里、抓什么、放到哪”，技能自己执行，执行完再把结果反馈给大模型。

比如抓取，Astra只需要在画面中点出目标物体，再指定使用左手还是右手。

接下来，抓取技能内部的感知模块会圈出物体、估计深度，结合相机标定确定目标的三维位置，并计算抓取姿态。运动规划器再规划机械臂怎么伸过去、怎样避开障碍，最后交给控制模块执行。

换句话说， GPT决定抓哪个、用哪只手，技能模块解决手怎么伸过去、怎么抓起来。

其他技能也遵循类似的分工。导航接收目标位置和朝向；放置接收物品的落点；开抽屉则把对准把手、勾住把手、后退拉开，封装成一项完整技能。

每项技能执行后，都会把结果反馈给Astra，再由它决定下一步。遇到偏差时，技能模块会先自行调整、重试，解决不了再交回大模型重新安排。

通过这样的 决策—执行—反馈循环 ，「走到抽屉前—打开抽屉—取出药」就能被串成一项任务，而不必让大模型包办每一步的运动细节。

至于走路、伸手时怎样保持平衡，则属于前面说的System 0的工作。HomeBody使用预训练的AMO控制策略，让下半身运动同时考虑上半身的动作目标，协调行走与操作。

这也解释了为什么， 不需要额外训练，不等于整套系统从未训练过。 HomeBody不用为新厨房重新训练一套专用动作策略，但现成的感知模型、运动规划和预训练控制器，仍然是机器人能把活干起来的基础。

不过，省去了针对新环境的训练，并不意味着部署和运行就没有成本。

目前，HomeBody的感知、规划和技能执行运行在一台搭载RTX 4090的笔记本上，Astra则在远端负责决策。

前期重建数字厨房，需要准备时间和API成本；实际执行任务时，模型推理也会让动作之间出现等待。

即使软件流程顺利跑通，长时间干活还得过硬件这一关，比如手指舵机过热，就是系统目前面临的限制之一。

所以， 把GPT接上宇树机器人确实能让机器人进厨房干活，但背后还得有一整套感知、规划和控制系统配合。

至于现在就买台G1、接上GPT的API，坐等它帮你做家务——还没这么简单。

自万恶之源Robocurve用GPT-6 Astra控制机器人开始，机器人/具身圈几乎一夜之间进入了“大模型时代”。

总的来看，目前主要有几条路线：

第一条是Robocurve最早采用的方案：大模型直接接收相机画面和机器人状态，输出夹爪的目标位置、朝向和开合程度，再由底层逆运动学模块转换成关节动作执行，完成后重新观察，形成闭环。

第二条路线是让大模型充当System 2（慢思考），搭配负责生成动作的VLA。Anthropic就测试过让语言模型接收、修改甚至替换MolmoAct提出的动作。

这次的HomeBody则选择让System 2直接调度技能库，再由包括预训练AMO在内的底层系统负责执行与身体协调。

它不是简单地「多接一层System 0」，而是换了一种连接决策与动作的方式，再结合空间记忆，把任务从桌面扩展到整个房间。

目前，Robocurve的最新战况是：最新的GPT-6 Sol平均得分是GPT-5.6 Sol的1.6倍，成本却低了约47%。

Opus 5.5的平均得分约为Opus 5的1.8倍，与GPT-6 Astra接近，单次成本比Astra低约21%。