高德全自主具身机器人炸场亦庄马拉松，拿下「导盲」这道硬核考题

📌 一句话摘要

本文报道了高德地图在 2026 年人形机器人半程马拉松中，首次亮相其全自主具身机器人「高德途途」，并成功完成开放环境下的导盲任务，同时详细介绍了其背后的 ABot 全栈技术体系，包括导航与操作基座模型、世界模型和智能中枢。

📝 详细摘要

文章报道了高德地图在亦庄机器人马拉松中，通过其四足机器人「高德途途」成功完成了一项极具挑战性的开放环境导盲任务。文章深入剖析了导盲场景的技术难点，并以此为契机，系统性地介绍了高德为解决此类复杂现实问题而构建的 ABot 全栈技术体系。该体系包含三层：数据层（ABot-World 世界模型）、模型层（导航基座 ABot-N0 与操作基座 ABot-M0）以及 Agent 层（任务调度中枢 ABot-Claw）。文章详细阐述了 ABot-N0 如何通过统一模型架构处理五大类导航任务并在多项基准测试中达到 SOTA，以及 ABot-M0 如何通过统一数据表示和动作流形学习实现跨任务、跨本体的操作泛化。最后，文章指出这套体系标志着具身智能从实验室演示走向真实世界应用的关键一步。

💡 主要观点

- 开放环境导盲是检验具身智能系统能力的硬核场景。 导盲任务融合了长程导航、精细交互、动态避障和高安全要求，其核心难点在于应对真实世界的长尾不确定性、极高安全要求和空间语义不完整，这要求系统具备综合的感知、决策与执行能力。

高德 ABot 全栈体系通过三层架构系统化解决复杂现实任务。 该体系包含数据层（ABot-World 生成高保真训练环境）、模型层（ABot-N0/M0 提供导航与操作基座能力）和 Agent 层（ABot-Claw 负责任务调度与闭环纠错），实现了从数据到执行的端到端整合，超越了单一模块的堆砌。

ABot-N0 导航基座模型通过统一架构实现了跨任务与跨形态的泛化。 它采用任务条件式双头设计，将推理与动作决策解耦，并在统一的 VLA 框架下处理五大导航任务，其背后的大规模数据引擎（7802 个 3D 场景，1690 万条轨迹）支撑了其在多项国际基准上的 SOTA 表现。

ABot-M0 操作基座模型通过统一数据表示和动作流形学习提升了泛化能力。 它构建了大规模异构数据集 UniACT，并采用动作流形学习替代传统扩散模型，直接预测连续可行轨迹，从而在跨任务操作基准上取得了显著性能提升。

具身智能正从单一任务突破转向系统级整合与持续进化。 ABot-Claw 的共享记忆系统和闭环反思纠错机制，使得机器人能够积累经验、适应不确定性，标志着具身系统开始具备在真实世界中长期、稳定运行并持续进化的潜力。

💬 文章金句

- 导盲真正难的不是识别本身，而在于准确判断什么时候该避让，什么时候跟随，并在不断变化的环境中把动作稳定连贯地做下去。

• ABot-N0 的一大核心突破是将导航从「多任务拼接」重构为一个「统一模型」驱动的能力体系。
• ABot-M0 走的是另一条路：没有围绕某一类机器人或某一类任务单独建模，从一开始就用一套统一的动作表示。
• 当「学」和「用」连成一个循环，系统开始具备持续进化的能力。这或许是具身智能走向长期可用的分水岭。
• 高德 ABot 全栈体系不仅成功支撑高德途途在开放环境中完成导盲任务，还为行业提供了一个值得借鉴的范本。

📊 文章信息

AI 初评：91

来源：机器之心

作者：机器之心

分类：人工智能

语言：中文

阅读时间：28 分钟

字数：6930

标签： 具身智能, 机器人, 高德地图, 导航模型, 操作模型

阅读完整文章