高擎Mini Pi plus開源人形機器人平臺 ICRA 2026全球首發,有哪些看點?
重點摘要
原文作者:公眾號“機器人大講堂”原文鏈接:https://mp.weixin.qq.com/s/xqs7KMoQQcCnszrSq4N7vg 在機器人科研與教育領域,“買得起、用得上、能持續開發”的人形平臺長期缺席。機器人大講堂近日獲悉,ICRA 2026上,高擎動力即將帶來的Mini Pi plus,試圖用15kg的輕量化機身、完整的開源生態和從仿真到真機的全棧工具鏈,填上這個空白。 01.人形科研平臺的不可能三角 過去兩年,人形機器人走向產業化前夜,但科研端的真實體驗卻並不樂觀。對高校實驗室、研究機構和機器人競賽團隊而言,選購人形開發平臺,往往依然陷入“不可能三角”:高性能、低成本、易用且安全,三者鮮少兼得。 放眼市面上的主流產品,要麼是高度近一米、自重接近30公斤的重型平臺,搬運需要兩人,跌倒一次維修成本高昂,共享實驗室的安全審批更是難題;要麼是玩具級的輕量產品,電機扭矩不足、URDF模型與真機嚴重脫節,仿真跑得通、真機跑不動,研究價值有限。 更隱蔽的痛點在於軟件生態。多數廠商提供SDK和ROS接口後便止步於API列表,沒有從零開始的完整上手指南,缺乏強化學習基線、Sim2Real部署指引與真實任務示例。最終,研究團隊的大量時間其實都消耗在環境搭建和“填坑”上,而非算法創新本身。 這正是高擎動力在ICRA 2026上發佈Mini Pi plus的出發點,他們試圖用一臺輕量化、高性能且軟件生態完全開源的小型人形機器人,打破科研平臺的價格壁壘與技術黑箱。 02.輕量化不是妥協,而是設計哲學 從機器人大講堂拿到的參數來看,Mini Pi plus給人的第一印象是“輕量”,其整機高度75.6釐米,重量僅15公斤,遠低於主流平臺整機高度95-123釐米、重量19.5-29公斤的範圍。 這一尺寸並非單純為了便攜,而是經過深思熟慮的科研適配。因此這個尺寸,使其可以在共享實驗室環境中
原文作者:公眾號“機器人大講堂”原文鏈接:https://mp.weixin.qq.com/s/xqs7KMoQQcCnszrSq4N7vg 在機器人科研與教育領域,“買得起、用得上、能持續開發”的人形平臺長期缺席。機器人大講堂近日獲悉,ICRA 2026上,高擎動力即將帶來的Mini Pi plus,試圖用15kg的輕量化機身、完整的開源生態和從仿真到真機的全棧工具鏈,填上這個空白。 01.人形科研平臺的不可能三角 過去兩年,人形機器人走向產業化前夜,但科研端的真實體驗卻並不樂觀。對高校實驗室、研究機構和機器人競賽團隊而言,選購人形開發平臺,往往依然陷入“不可能三角”:高性能、低成本、易用且安全,三者鮮少兼得。 放眼市面上的主流產品,要麼是高度近一米、自重接近30公斤的重型平臺,搬運需要兩人,跌倒一次維修成本高昂,共享實驗室的安全審批更是難題;要麼是玩具級的輕量產品,電機扭矩不足、URDF模型與真機嚴重脫節,仿真跑得通、真機跑不動,研究價值有限。 更隱蔽的痛點在於軟件生態。多數廠商提供SDK和ROS接口後便止步於API列表,沒有從零開始的完整上手指南,缺乏強化學習基線、Sim2Real部署指引與真實任務示例。最終,研究團隊的大量時間其實都消耗在環境搭建和“填坑”上,而非算法創新本身。 這正是高擎動力在ICRA 2026上發佈Mini Pi plus的出發點,他們試圖用一臺輕量化、高性能且軟件生態完全開源的小型人形機器人,打破科研平臺的價格壁壘與技術黑箱。 02.輕量化不是妥協,而是設計哲學 從機器人大講堂拿到的參數來看,Mini Pi plus給人的第一印象是“輕量”,其整機高度75.6釐米,重量僅15公斤,遠低於主流平臺整機高度95-123釐米、重量19.5-29公斤的範圍。 這一尺寸並非單純為了便攜,而是經過深思熟慮的科研適配。因此這個尺寸,使其可以在共享實驗室環境中安全使用,無需安裝物理圍欄,一名研究者即可輕鬆搬運;即便在頻繁迭代的強化學習訓練中發生跌倒,低衝擊動能也大大降低了硬件損壞風險和維修頻次,讓“高頻試錯”成為可能。 但輕量化絕不意味著性能妥協。Mini Pi plus的峰值扭矩達到21Nm,全身23或27個自由度(DOF),支持行走、奔跑甚至後空翻等動態動作。其質量-扭矩比接近1:1,在小體積內實現了全尺寸人形機器人的動力學性能。單次充電續航1-2小時,足以覆蓋一次完整的實驗流程。 據機器人大講堂瞭解,Mini Pi plus已通過Project Instinct真機驗證,可以完成後空翻、複雜地形自主穿越和跌倒自主恢復等高動態任務。這些以往只在大型雙足平臺上才能看到的動作,如今被壓縮進了一臺15kg的機身中。 技術上真正的突破還在於通信架構。Mini Pi plus全身關節均採用CAN-FD總線通信,電機控制環頻率高達30kHz,實時驅動環1kHz,配合PD控制與前饋力矩補償,確保了高頻控制指令的順暢下發,不存在傳統串行總線帶來的瓶頸。對於從事全身控制(Whole-Body Control)、模型預測控制(MPC)或深度強化學習的研究者而言,這種底層實時能力是驗證先進算法的必要前提。 03.從源頭壓縮Sim2Real鴻溝 機器人大腦模型研究是當前的主流方向,而Sim2Real GAP一直是腿足機器人研究的“隱形殺手”。 許多團隊在Isaac Gym或MuJoCo中訓練好的策略,部署到真機時卻步履蹣跚,原因往往不是算法本身,而是URDF模型與真實硬件的系統性偏差。包括電機慣量、摩擦參數、減速器非線性等細節問題,往往在廠商提供的模型中被簡化或忽略。 Mini Pi plus的解決思路是從源頭對齊。高擎動力公開了經過出廠校準的完整URDF模型,電機參數、關節限位、慣量信息直接寫入模型,仿真與真機的動力學特性高度一致。 與此同時,團隊提供了域隨機化、系統辨識與特權信息蒸餾的完整Sim2Real pipeline,兼容IsaacLab、MuJoCo和Gym等主流仿真器。這意味著研究者可以將精力集中在策略設計上,而非耗費數週去“調gap”。 04.從ROS上下到全棧工具鏈生態開源 如果說硬件參數決定了平臺的下限,那麼軟件生態則決定了科研的上限。 Mini Pi plus的開源策略並非簡單地掛一個GitHub鏈接,而是構建了分層、全覆蓋的開發體系。 底層(ROS以下)Python/C++ SDK + ROS 1/2雙棧支持,提供從高層腳本到底層實時控制的完整API。7通道CAN-FD拓撲、統一URDF/TF/RViz/相機/ONNX全鏈路,這意味著研究者可以輕鬆接入自己的感知與控制模塊,無需逆向工程。 上層(ROS以上)搭載了開箱即用的全棧工具鏈。包括行走、奔跑、後空翻等Locomotion基線;機載深度感知+自適應視角控制的Perceptive Locomotion(已在0.3m高臺滾翻、樓梯/坡道/間隙等複雜地形上真機驗證);下半身行走與上半身操作策略同步運行的Loco-manipulation示例;以及完整的Sim2Real部署指引。 特別值得注意的是其“From Scratch Doc”文檔體系。不同於傳統的API列表式文檔,Mini Pi plus提供了一條從First Run → Setup → Simulation Basics → Sim2Real Deployment的完整路徑,配合Tutorials → Reference → Explanation三層結構,讓新加入的研究生或工程師能夠獨立上手。GitHub社區持續更新,Changelogs與Releases公開追蹤——這種對標工業級軟件的文檔規範,在人形科研平臺中並不多見。 05.從一臺機器人到一個生態 機器人大講堂從拿到的技術文檔中發現,高擎動力對Mini Pi plus的定位不止於單臺機器人,而是可擴展的基礎設施。 因為其模塊化主控盒子可以連接整個產品矩陣,從雙足到四足、從機械臂到全人形,一套代碼庫可以多平臺複用。例如上半身Manipulation策略接口完全開放,研究者可以自由接入VLA(視覺-語言-動作)模型、人機交互(HRI)策略或神經科學接口。 據悉,Mini Pi plus已進入ETH Zurich、UC Berkeley、香港大學等全球頂尖實驗室,用於運動控制、全身控制、VLA與神經科學交叉研究。清華大學、浙江大學、漢堡大學、華中科技大學等多支RoboCup戰隊以Mini Pi plus pro為參賽平臺,其中浙大ZJU-Dancer戰隊在German Open 2026中斬獲Small Size組別冠軍。香港科技大學(廣州)與成均館大學則在人機交互方向持續推進。 產業側,也已經有從學術到產業的多家初創公司與影視頭部公司完成規模化合作落地。這個小尺寸人形平臺正逐步驗證其生態承載力。 06.輕量化與開源化,人形科研平臺的兩大轉向機器人大講堂認為,Mini Pi plus的發佈,折射出人形機器人科研工具市場正在發生的兩個重要轉向。 第一個轉向是輕量化優先。過去行業追逐“更大、更強、更像人”,但科研場景的真實需求是“安全、高頻、低成本迭代”。15-20kg區間正在成為新的黃金尺度,它既能承載全尺寸動力學,又能降低使用門檻。可以預見,更多廠商或將跟進這一半人形和小人形的形態。 第二個轉向是生態決勝。因為產業鏈走向完善,硬件參數正在趨同,真正的差異化在於軟件鏈的完整度與可復現性。一份清晰的Sim2Real指引、一套可運行的RL基線、一個活躍的社區,這些軟性基礎設施正成為研究者選擇平臺的關鍵決策因素。高擎動力將完整的URDF、SDK、仿真接口與示例策略全部公開,實際上是在為整個具身智能社區搭建地基。 當然,挑戰依然存在。目前,輕量化機身受限於材料特性,在上半身操作任務中的負載能力、複雜動態動作下的散熱與耐久性、以及社區生態的長期維護,都需要持續驗證。但至少,Mini Pi plus提供了一個難得的起點,這是一個研究者真正敢放手去跑、去摔、去改的開放平臺。雷峰網
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp

智譜新高,MiniMax承壓,“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高,MiniMax承壓,“大模型雙雄”命運殊途」。原始導語提到:大模型在被市場重新定價 從 AI 情報角度來看,這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。

華為昇騰 0 Day 支持智譜 GLM-5.2 模型,提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術,顯著提升編程和長程任務的處理效率,現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器:青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3,提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長,依託自研架構,助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS,僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式,在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數,即展現出極高效率,性能超越參數量達 8×7B 的微軟模型。