Embodied-R1：用于通用机器人操作的强化具身推理

实体化人工智能（AI）中的泛化能力受“从看到做到”的鸿沟的阻碍，该鸿沟源于数据稀缺性和实体异质性。为解决此问题，我们开创了“指向”作为一种统一的、与实体无关的中间表示，定义了四个核心的实体指向能力，以连接高级的视觉语言理解和低级动作原语。我们推出了 Embodied-R1，一个 3B 视觉语言模型 (VLM)，专门为实体推理和指向而设计。我们使用广泛的实体和通用视觉推理数据集作为来源，构建了一个大规模数据集 Embodied-Points-200K，该数据集支持关键的实体指向能力。然后，我们使用一个两阶段的强化微调 (RFT) 课程和专门的多任务奖励设计来训练 Embodied-R1。Embodied-R1 在 11 个实体空间和指向基准测试中取得了最先进的性能。关键的是，它通过在 SIMPLEREnv 中达到 56.2% 的成功率，以及在 8 个真实世界的 XArm 任务中达到 87.5% 的成功率，展示了强大的零样本泛化能力，且无需任何特定任务的微调，这比强大的基线提高了 62%。此外，该模型在面对各种视觉干扰时表现出高鲁棒性。我们的工作表明，以指向为中心的表示与 RFT 训练范式相结合，为弥合机器人感知-行动差距提供了一条有效且可泛化的途径。