ORGA
ORGA 技术架构
以物体为中心，提取可迁移的几何约束与空间结构，实现零样本泛化操作
01问题定义
真实世界无法被数据穷尽
长尾场景
位姿、颜色、形状、光照千变万化，穷举采集永远不够
部署成本高
每换一个场景都要重新采数据、重新训练，周期漫长
死记轨迹
传统模仿学习记住见过的动作，无法迁移到新物体
02ORGA
ORGA：以物体为中心的表征泛化架构
从少量示教数据中提取隐含的几何约束与空间结构，让机器人从「记住见过的轨迹」变成「理解可迁移的操作规律」
01
跨物体
学会削黄瓜，就会削胡萝卜
02
跨场景
新位置、新光照、新布局无需重训
03
跨本体
统一模型驱动不同机器人学会同一技能
03技术原理
01
物体中心表征
将操作理解锚定在物体几何与交互关系上，而非相机坐标系下的绝对轨迹
02
几何约束提取
从少量示教中提炼隐含的空间约束与结构规律，形成可复用的操作先验
03
零样本迁移
在新物体、新场景、新本体上直接泛化，无需针对每个实例重新训练
04泛化 Demo
从以人为中心的示教采集，到跨场景扩展与跨本体动作迁移 —— 同一套技能理解如何在新环境与新机器人上落地
数据采集
以人为中心的全模态示教
穿戴式传感记录操作中的视觉、触觉与运动信号，为泛化模型提供高质量原始示教
跨场景
一条示教，覆盖千变场景
基于物体中心表征，将单次示教扩展到姿态、布局与光照各异的新环境，无需重新采集
跨本体
桌面操作迁移到人形双臂
在帕西尼人形机器人上完成抓取与放置，验证同一技能在不同本体上的零样本迁移
动作重定向
人体动作一键映射到人形机器人
SparkUMR 将人的喝水等日常动作实时重定向到傅利叶 GR3，保持接触与姿态一致
精细操作
复杂桌面整理的跨本体复现
把整理手机、笔记本等桌面物品的人体动作迁移到 GR3，展示精细操作的可迁移性
多机型复用
厨房搅拌技能的统一驱动
同一套搅拌与盛装动作可驱动不同人形本体，体现统一技能模型的跨平台能力