12月17日，让人形机器人能够像人一样完成装箱、搬运、推车等移动操作任务，一直是人们对具身智能的期待。近日，来自香港大学、智元AGIBOT、复旦大学和上海创智学院的联合研究团队提出了WholeBodyVLA，一种面向真实世界的人形机器人全身 Vision–Language–Action框架。该工作基于智元灵犀X2研究发布，将VLA扩展至双足人形机器人的全身控制，验证了其在全身loco-manipulation任务中的可行性。

与原地操作相比，loco-manipulation的难点不在于单一技能，而在于行走与操作必须在同一任务中长期、稳定地协同发生。

据介绍，WholeBodyVLA通过从人类第一视角视频中学习移动与操作的潜在动作表示，以降低对昂贵机器人遥操作数据的依赖。同时，研究团队设计了一种面向移动操作的强化学习控制器，通过简化控制目标来提升运动执行的稳定性。

实验验证显示，该框架使机器人能在不同起始位置走向目标并完成操作，并对场景和物体表现出一部分泛化能力，在干扰地形上也能保持基本的移动方向与平衡。研究团队表示，该工作为将视觉-语言-动作（VLA）范式扩展至双足人形机器人全身控制提供了可行路径。