京东也开始对外露出具身智能研究成果了。

京东 Joy Future Academy 提出了一款面向通用机器人自主性的视觉-语言-动作基础模型 JoyAI-RA 0.1。

该模型从数据与表征两个层面缓解行业瓶颈：(1) 通过整合网络多模态数据、第一人称人类操作视频、仿真轨迹和真实机器人数据，构建多源、多层次预训练框架；(2) 引入统一动作空间，将不同来源、不同形态的动作数据映射到一致的物理语义空间中。

在多个仿真与真实机器人基准上，JoyAI-RA 展示出了较强的泛化能力。在 RoboTwin 2.0 中，模型在 Easy 与 Hard 两种设置下分别取得 90.48% 和 89.28% 的平均成功率；在 RoboCasa GR1 桌面任务中，JoyAI-RA 取得 63.2% 的平均成功率；在真实世界 Agibot G1 机器人任务中，模型平均成功率由 π0.5 的 0.62 提升至 0.74。

京东的这项工作表明，对于通用机器人而言，继续扩大单一来源数据或单纯放大模型规模并不是最优策略。如何组织多源异构数据、如何统一不同机器人之间的动作表征同样关键。

具身智能机器人京东