一家中国机器人初创公司展示了人形机器人和固定式双臂机器人系统在单一AI模型驱动下协同完成端到端物流任务的演示。

MindOn公司的这套系统名为Mind-0，它使不同类型的机器人能够在统一智能框架下协调工作，该框架完全基于以人为中心的数据进行训练，而非机器人采集的任务数据。

为支持多种硬件平台，MindOn将高层推理与底层运动控制相分离，使同一AI大脑能够在不同形态的机器人上运行。

这家总部位于深圳的公司表示，其实际环境执行补偿模型能够在真实环境中实现亚厘米级操作精度。

MindOn的新机器人框架使不同类型的机器人能够在单一AI系统下运行，向硬件无关的具身智能迈出了一步。

该方法的核心是Mind-0，一个将高层推理与底层运动控制相分离的统一模型。该架构允许一个智能层处理感知、任务规划和决策，而专用控制器将这些决策翻译成适合各机器人物理设计的运动。据Humanoids Daily报道，这使得同一AI模型能够部署到多个机器人平台，而无需单独的训练管线。

该系统的一个关键特征是其依赖以人为中心的训练数据，而非机器人遥操作。MindOn并非通过手动操控机器人来收集演示，而是使用通过全身追踪系统、第一视角摄像头和手持设备捕捉的人体运动来训练其模型。该公司认为，这种方法保留了人类自然的问题解决行为，并避免了操作员根据机器人限制调整自身动作时往往引入的局限性。

为弥合人类演示与机器人执行之间的鸿沟，MindOn开发了一条跨形态数据管道，将人类动作转换为不同机器人系统可用的表征。据HD报道，支撑这一过程的是一种在大规模运动捕捉数据集上训练的全身动作模型，使机器人能够在保持平衡、协调运动和执行任务的同时，遵循自身的物理限制。

该公司还引入了一套现实世界执行补偿模型，以应对长期存在的仿真到现实挑战。在仿真中训练的模型部署到物理硬件上时，往往因动力学和环境条件差异而出现性能下降。MindOn表示，其补偿系统使用少量现实部署数据来纠正这些偏差，使机器人能够提高跟踪精度和操作性能。据该公司称，该技术在宇树G1人形平台上实现了亚厘米级操作精度。

该框架的另一个组成部分是一个分层推理系统，旨在考虑物理机器人的执行延迟。人类演示天然不存在机械延迟，但机器人必须应对传感、计算和驱动延迟。MindOn的系统持续监控来自底层控制器的反馈，并实时调整指令时序，以保持规划与执行之间的同步。

该公司近期使用由宇树G1人形机器人和固定式双臂机器人系统组成的混合机器人团队演示了该技术。在演示中，这些机器人协作完成了一个包含物品检索、运输、打包和封箱的物流工作流程。尽管物理配置和能力各异，所有机器人都使用同一底层AI模型运行。

MindOne Robotics于2025年在深圳成立，其技术定位是作为依赖大量遥操作数据开发机器人的可扩展替代方案。该公司计划扩展其以人为中心的数据集，并将部署扩展到包括移动双臂系统在内的更多机器人形态，以追求能够在多样化硬件平台上运行的通用机器人智能目标。