[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-coordex-humanoid-loco-manipulation-priors-zh":3,"article-related-coordex-humanoid-loco-manipulation-priors-zh":30,"series-research-f6fbee54-8ee4-4ad1-a6bb-a3f2ac890430":73},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":29},"f6fbee54-8ee4-4ad1-a6bb-a3f2ac890430","coordex-humanoid-loco-manipulation-priors-zh","CoorDex 讓人形機器人邊走邊操作","\u003Cp data-speakable=\"summary\">CoorDex 把人形機器人的身體與手部控制壓成 latent priors，讓它能在移動中完成精細操作。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>研究機構\u003C\u002Fstrong>：arXiv 摘要未明確標註\u003C\u002Fli>\u003Cli>\u003Cstrong>核心數據\u003C\u002Fstrong>：20-DoF WUJI hand\u003C\u002Fli>\u003Cli>\u003Cstrong>突破點\u003C\u002Fstrong>：凍結潛在先驗\u003C\u002Fli>\u003C\u002Ful>\u003Cp>人形機器人做操作任務時，常見做法是先走到目標前停下來，再開始\u003Ca href=\"\u002Fnews\u002Fautodex-automates-dexterous-grasp-data-collection-zh\">抓取\u003C\u002Fa>、開門或搬運。這樣比較好訓練，也比較容易做出 demo。問題是，真實環境裡的任務往往不是這種「停、做、再走」的節奏，而是要一邊移動、一邊維持接觸、一邊完成手部動作。\u003C\u002Fp>\u003Cp>這篇 CoorDex 想處理的，就是這個卡點。它不是單純把 locomotion 和 manipulation 各自做強，而是把兩者之間的控制介面重新設計，讓身體移動和手部操作不要互相拖累。對開發者來說，這很重要，因為很多人形機器人的失敗，不是單一子系統不夠強，而是整體協調方式太脆弱。\u003C\u002Fp>\u003Ch2>這篇論文要解的痛點\u003C\u002Fh2>\u003Cp>摘要點出兩個常見限制。第一，很多人形 loco-manipulation 系統會把任務切成不同階段：先走路，再操作，再繼續走。這能降低學習難度，但也讓機器人很難在移動中維持穩定操作。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782196378261-6x4x.png\" alt=\"CoorDex 讓人形機器人邊走邊操作\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>第二，許多系統把末端執行器簡化成低自由度的開關式抓握。這對基本搬運也許夠用，但遇到更細緻的接觸型任務，就不夠了。尤其當機器人還在移動時，手部需要處理的接觸狀態更複雜，不能只靠單純的開合動作。\u003C\u002Fp>\u003Cp>CoorDex 的切入點，就是把高自由度身體控制和高自由度手部控制一起處理，目標不是只讓它「會做」，而是讓它能在持續移動時做得穩。這也是這篇\u003Ca href=\"\u002Fnews\u002Fmicrosoft-copilot-studio-april-2026-updates-zh\">工作\u003C\u002Fa>的核心價值：它把問題從單純的控制能力，推進到控制介面的設計。\u003C\u002Fp>\u003Ch2>CoorDex 的方法怎麼運作\u003C\u002Fh2>\u003Cp>這套方法的核心概念，是不要讓一個 policy 從零直接輸出所有關節命令。CoorDex 先把高維度的身體與手部控制，轉成協調過的 latent residual control。白話一點說，就是先學出一組比較濃縮的動作先驗，再讓下游 policy 在這些先驗上做小幅修正。\u003C\u002Fp>\u003Cp>流程從模擬中的全身與手部示範開始。作者先從示範資料訓練 privileged motion tracking teachers，而且分成兩個老師：一個負責 humanoid body，一個負責 dexterous hand。這兩個老師之後會被蒸餾成以 proprioception 為條件的 latent priors。\u003C\u002Fp>\u003Cp>接著，這些 priors 會被凍結，直接拿來當下游 residual \u003Ca href=\"\u002Ftag\u002Freinforcement-learning\">reinforcement learning\u003C\u002Fa> 的 action space。這一步很\u003Ca href=\"\u002Fnews\u002Fbaya-openchip-bet-ai-silicon-data-movement-zh\">關鍵\u003C\u002Fa>。因為 RL 不需要從巨大的動作空間裡重新摸索所有控制細節，而是站在一個已經帶有運動結構的 latent 介面上學習。\u003C\u002Fp>\u003Cp>最後的 policy 不是單一大模型硬扛全部任務，而是用協調式架構把身體與手部 prior 結合起來。它們共享任務脈絡，但保留各自的 residual heads。這代表 locomotion 和 manipulation 可以在同一個任務目標下協同，但又不必完全綁死在一起。\u003C\u002Fp>\u003Cp>這種設計思路，和很多現代 robotics pipeline 很像：先用較強的監督或模擬資訊建立可用的運動結構，再把更乾淨的控制介面交給下游 policy。CoorDex 的差別在於，它把這個模式用在了人形機器人的邊走邊操作上。\u003C\u002Fp>\u003Ch2>論文實際證明了什麼\u003C\u002Fh2>\u003Cp>先講限制。摘要沒有公開完整 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa> 數字，也沒有列出成功率、提升幅度或表格型成績，所以這篇摘要不能讓我們直接比較它和其他方法差多少。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782196379394-qq2i.png\" alt=\"CoorDex 讓人形機器人邊走邊操作\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>但摘要還是給了具體能力展示。CoorDex 讓一台配備 20-DoF WUJI hand 的 Unitree G1 人形機器人，能在移動中做精細操作。摘要點名的例子包括：不中斷地抓取與搬運瓶子、在移動時打開冰箱門，以及 cube pick-and-turn。\u003C\u002Fp>\u003Cp>這些不是單純的手臂動作。它們都同時牽涉到身體平衡、接觸控制、手指協調與整體路徑移動。換句話說，作者想證明的不是「機器人會抓」，而是「機器人可以在走動過程中維持可用的手部操作能力」。\u003C\u002Fp>\u003Cp>摘要裡最有力的證據，是 ablation 結果。作者說，在 walk-grasp-carry 任務上，joint-space PPO 會失敗，joint-space hand control 也會失敗，monolithic latent prediction 同樣失敗。這表示問題不只是演算法名字換一個而已，而是控制空間的結構真的會影響能不能學起來。\u003C\u002Fp>\u003Cp>從這個結果看，CoorDex 的貢獻不是單純提升某個 reward，也不是靠更大算力硬堆出來。它比較像是在說：如果你想做連續的 dexterous humanoid 行為，先把 action interface 設計對，比單純擴大 policy 規模更重要。\u003C\u002Fp>\u003Ch2>對開發者有什麼啟發\u003C\u002Fh2>\u003Cp>如果你在做人形機器人，這篇很像是在提醒一件事：把 locomotion 和 manipulation 切成兩段，雖然好訓練，但也可能把真正難的整合問題藏起來。只要機器人還要邊走邊抓，控制介面就會變成瓶頸。\u003C\u002Fp>\u003Cp>這對已經在用 imitation learning、motion priors 或 hierarchical policy 的團隊特別有參考價值。CoorDex 的思路是，當任務是 contact-rich、而且自由度很高時，凍結後的 learned prior 可能比原始 joint-space control 更適合當 action interface。\u003C\u002Fp>\u003Cp>另一個實作上的啟發，是它把 privileged teachers、proprioception-conditioned priors 和 residual learning 串成一條管線。這種做法很符合現在 robotics 的常見路線：先用模擬或額外資訊把運動先驗學好，再把較穩定的控制空間交給下游 policy 微調。\u003C\u002Fp>\u003Cp>不過，這也帶來一個現實問題：這類 latent-prior 系統通常很吃 embodiment。摘要只提到 Unitree G1 和 WUJI hand，沒有說它對不同平台的泛化狀況，也沒有講訓練成本或 runtime 細節。對實務團隊來說，這些都是落地時一定會問的事。\u003C\u002Fp>\u003Ch2>還有哪些限制沒講清楚\u003C\u002Fh2>\u003Cp>這篇摘要沒有公開完整 benchmark 數字，所以我們不能知道提升到底有多大，也不能判斷它在不同任務上的穩定性。摘要也沒有說訓練時間、資料量、模擬設定或硬體執行細節。\u003C\u002Fp>\u003Cp>另外，摘要雖然展示了幾個任務，但沒有說這套方法能不能外推到更多物體、更多環境，或更複雜的操作序列。也就是說，目前能確定的是它在列出的 demo 任務上有效，但還不能直接推論成通用解法。\u003C\u002Fp>\u003Cp>即便如此，這篇的方向仍然很清楚。它把人形 loco-manipulation 看成控制介面的問題，而不是單純的 policy size 問題。這個 framing 如果成立，對後續想做連續動作的人形機器人研究，會是很實用的設計模板。\u003C\u002Fp>\u003Ch2>總結\u003C\u002Fh2>\u003Cp>CoorDex 的重點，是用凍結的 latent priors 和 coordinated residual learning，讓人形機器人的身體控制與手部控制協同起來。摘要展示的結果顯示，這條路有機會讓機器人在移動中完成更細緻的操作，而不是每次都先停下來再做事。\u003C\u002Fp>\u003Cul>\u003Cli>它把高維度身體與手部控制壓成可重用的 latent priors。\u003C\u002Fli>\u003Cli>它用分開的 residual heads 來協調 locomotion 與 dexterous manipulation。\u003C\u002Fli>\u003Cli>它在 Unitree G1 加 20-DoF WUJI hand 上展示了邊走邊抓、開冰箱、cube pick-and-turn 等任務。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>對開發者來說，這篇最直接的訊息是：如果你想讓人形機器人真的「動起來還能操作」，控制介面本身，可能和 reward 設計一樣重要。\u003C\u002Fp>","CoorDex 把人形機器人的身體與手部控制壓成 latent priors，讓它能在移動中完成精細操作。","arxiv.org","https:\u002F\u002Farxiv.org\u002Fabs\u002F2606.23680",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782196378261-6x4x.png","research","zh","1ebf2fd0-d54e-46ce-8be1-3c0afe10cf29",[17,18,19,20,21],"humanoid robotics","loco-manipulation","latent priors","residual reinforcement learning","dexterous manipulation",[23,24,25],"把身體與手部控制轉成凍結的 latent priors，可讓人形機器人邊移動邊操作。","摘要沒有公開完整 benchmark 數字，但有具體示範與 ablation，指出 action interface 很關鍵。","方法對開發者的啟發是：先設計好控制介面，再談更大的 policy 或更複雜的 reward。",0,"2026-06-23T06:32:32.262148+00:00","2026-06-23T06:32:32.255+00:00","0c35a120-52fc-41fc-afa3-d404eb934158",{"tags":31,"relatedLang":32,"relatedPosts":36},[],{"id":15,"slug":33,"title":34,"language":35},"coordex-humanoid-loco-manipulation-priors-en","CoorDex lets humanoids move while manipulating","en",[37,43,49,55,61,67],{"id":38,"slug":39,"title":40,"cover_image":41,"image_url":41,"created_at":42,"category":13},"8531d5f9-60f1-4a4b-94a3-323b82990f06","lifescibench-tests-biotech-models-zh","LifeSciBench 讓模型先過科研關","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782198202904-lzgm.png","2026-06-23T07:02:47.182473+00:00",{"id":44,"slug":45,"title":46,"cover_image":47,"image_url":47,"created_at":48,"category":13},"7171fed6-f304-4f46-9efe-f691ea304b65","randomized-yarn-long-context-reasoning-zh","Randomized YaRN 讓長上下文更穩","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782195475543-rsm6.png","2026-06-23T06:17:32.36653+00:00",{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"56da2379-5b47-4f3d-827f-e50d8be5d015","autodex-automates-dexterous-grasp-data-collection-zh","AutoDex 自動蒐集靈巧抓取資料","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782194579214-qano.png","2026-06-23T06:02:31.192727+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"e4e8944f-676d-4f8b-823f-2bce38a09587","anthropic-scale-lead-frontier-ai-moat-zh","Anthropic 的規模領先，才是前沿 AI 真正的護城河","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782169366176-b59n.png","2026-06-22T23:02:23.331672+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"faea762d-3f1d-446a-89af-d8278d8eb21f","teampcp-supply-chain-ai-poisoning-zh","TeamPCP 供应链投毒升級","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782162173285-n712.png","2026-06-22T21:02:22.730536+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"cfe36fb5-68ec-480a-a9be-04660e360468","ethereum-wikipedia-dev-cheat-sheet-zh","Ethereum 把 Wikipedia 變開發者速查表","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782152293852-4cw2.png","2026-06-22T18:17:49.917842+00:00",[74,79,84,89,94,99,104,109,114,119],{"id":75,"slug":76,"title":77,"created_at":78},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":80,"slug":81,"title":82,"created_at":83},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":85,"slug":86,"title":87,"created_at":88},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":90,"slug":91,"title":92,"created_at":93},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":95,"slug":96,"title":97,"created_at":98},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":100,"slug":101,"title":102,"created_at":103},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":105,"slug":106,"title":107,"created_at":108},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":110,"slug":111,"title":112,"created_at":113},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":115,"slug":116,"title":117,"created_at":118},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":120,"slug":121,"title":122,"created_at":123},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]