AI視界深圳新聞網2025年9月4日訊（記者 葉梅）在具身智能的發展進程中，數據始終是推動突破的關鍵，然而，行業長期受限于數據不足、采集成本高昂和跨場景遷移困難。9月2日，逐際動力LimX Dynamics提出了 LimX Data Recipe（多元數據配方）策略，通過真機、仿真、視頻等多源數據的組合，打破對單一數據來源的依賴。繼聚焦視頻數據的LimX VGM之后，逐際動力再次推出一套全新的具身智能訓練范式 —— LimX DreamActor。
該具身智能訓練范式能發揮Real2Sim2Real與真機強化學習的雙重優勢，利用仿真和真機數據彌合模擬到現實之間的鴻溝，顯著提高具身模型訓練與部署的效率與穩定性，為實現機器人的自主操作提供行業領先的開發范式。
逐際動力具身智能訓練新范式LimX DreamActor
新范式：Real2Sim2Real + 真機強化學習
LimX DreamActor首次實現了Real2Sim2Real、模仿學習和真機強化學習的深度結合，全面解鎖仿真數據和真機數據在具身智能訓練中的優勢。
在仿真階段，系統通過高擬真建模和模仿學習訓練，建立場景和物體的泛化能力，大幅提升策略預訓練的效率；在現實階段，利用真機強化學習對策略進行后訓練，確保高成功率的落地部署。
這種雙向互補的方式，既具備了大規模仿真訓練的高效率，又借助少量真機強化學習即可彌合模擬到現實之間的鴻溝，有助實現樣本效率、收斂速度和部署穩定性的全面提升。這一“虛實融合”的開發新范式，不僅提高了模型訓練的性價比，也為落地部署提供了更穩健的解決方案。
LimX DreamActor優勢對比
工作流程：從現實到仿真再到現實
LimX DreamActor形成了“現實環境數據采集—仿真數據預訓練—真機數據后訓練”。
見識世界（RealScene），利用消費級相機拍攝場景和物體，即可完成多視角的環境數據采集。這種低成本的方式打破了過去對專業設備的依賴，讓數據獲取更加簡單和高效。
解釋萬物（Real2Sim），基于多視角圖像進行三維重建，并為模型賦予質量、摩擦系數、碰撞體積等豐富的物理參數。通過幾何重建，以及物理、尺度和坐標的對齊，讓模型更加符合客觀的物理屬性，仿真環境對現實世界的映射更趨合理，為操作模型的訓練打下重要基礎。
萬象重生（SimScene），構建數量龐大的高擬真場景，讓操作軌跡得以和大量混合渲染的擬真場景進行訓練，實現低成本、高效率的數據擴展，獲得場景的泛化能力。
千錘百煉（Data Collection & RL in Real），在仿真環境中進行模仿學習和域隨機化訓練，再在真機上進行少量的強化學習后訓練，實現跨域遷移，既節省了昂貴的真機試錯成本，又確保了落地部署的穩定性。
LimX DreamActor打通了“現實環境數據采集—仿真數據預訓練—真機數據后訓練”的全流程，使具身智能的訓練過程更高效、更可靠。
LimX DreamActor完整工作流程
技術亮點：簡單可靠、效率高、可擴展
LimX DreamActor的突破不僅在于流程優化，更體現在多項能力的創新。
數據采集更簡單，只需手機等消費級設備拍攝視頻或照片，即可重建高擬真三維場景。三維資產生成能力，支持大規模生成或調用外部3D數字資產，低成本擴展數據，實現數據多樣性。物理一致性更強，不僅外觀逼真，還具備更佳的現實物理屬性，為訓練提供可信賴的基礎，提高模型泛化性和可信度。對齊更高效，通過機械臂即可完成場景與物體的坐標對齊，避免傳統繁瑣的標定流程。直接在仿真中訓練策略，能夠直接在仿真環境中進行策略訓練，無需先仿真，后采集數據。
Real2Sim與真機RL二者優勢互補，Real2Sim提供高保真場景、多樣化數據，加速了策略的初始化；真機RL則確保策略遷移落地的可靠性。二者結合，既大大縮短了訓練周期，也降低了真機探索的風險。
對于逐際動力而言，LimX DreamActor不僅是一項技術成果，更是公司整體戰略布局的重要一環。作為一家聚焦具身智能機器人的AI公司，逐際動力圍繞三大核心技術 —— 本體硬件設計制造、基于強化學習的全身運動控制、具身大腦訓練范式，并構建不斷完善的具身Agent開發工具鏈。LimX DreamActor的推出，為AGI在物理世界的泛化能力提供了又一條創新路徑，加速了具身智能從實驗室走向現實應用。
基于“IDS生態協同戰略”，逐際動力正攜手創新者（Innovators）、開發者（Developers）和系統集成商（System Integrators），共同推動具身智能在科研、制造、商業和家庭等領域的廣泛落地。LimX DreamActor既展示了逐際動力前沿技術的積累與研發能力，也為開發者和合作伙伴提供了又一套低成本、高效率、高可靠性的工具，不斷完善以用戶為中心的具身智能開發生態。
（圖片由逐際動力提供）
關鍵詞
簡介
重點
分析
猜你想問