# ACE-Ego – 大晓机器人联合港中文开源的具身操作 VLA 模型

- Link: https://paooo.com/aigc-news/24296/
- Published: 2026-07-07T14:02:04+08:00
- Author: 站外新闻

## ACE-Ego是什么

ACE-Ego 是大晓机器人联合港中文 MMLab 开源的一脑多型具身操作 VLA 模型。模型用 6.0K
+ 小时人类第一视角视频为核心进行预训练，通过相机空间动作与形态条件编码，使同一模型
可适配不同机器人本体。在 RoboCasa GR1 TableTop 基准上以 72.8% 刷新 SOTA，能稳定完成
塑料袋打包、鞋盒装鞋等复杂零售操作，大幅降低多本体部署成本。

阅读目录

 * [ACE-Ego是什么](https://paooo.com/aigc-news/24296/#aceego%e6%98%af%e4%bb%80%e4%b9%88)
 * [ACE-Ego的主要功能](https://paooo.com/aigc-news/24296/#aceego%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [ACE-Ego的技术原理](https://paooo.com/aigc-news/24296/#aceego%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [如何使用ACE-Ego](https://paooo.com/aigc-news/24296/#%e5%a6%82%e4%bd%95%e4%bd%bf%e7%94%a8aceego)
 * [ACE-Ego的核心优势](https://paooo.com/aigc-news/24296/#aceego%e7%9a%84%e6%a0%b8%e5%bf%83%e4%bc%98%e5%8a%bf)
 * [ACE-Ego的项目地址](https://paooo.com/aigc-news/24296/#aceego%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [ACE-Ego的同类竞品对比](https://paooo.com/aigc-news/24296/#aceego%e7%9a%84%e5%90%8c%e7%b1%bb%e7%ab%9e%e5%93%81%e5%af%b9%e6%af%94)
 * [ACE-Ego的应用场景](https://paooo.com/aigc-news/24296/#aceego%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![ACE-Ego](https://paooo.com/wp-content/uploads/2026/07/ACE-Ego-website-1.avif)

## ACE-Ego的主要功能

 * **一脑多型适配**：同一 VLA 模型通过形态条件编码适配不同机器人本体，无需为每台
   机器人单独训练。
 * **复杂操作执行**：支持长周期、强接触的零售操作，如塑料袋打包、鞋子装入鞋盒等精细
   任务。
 * **双臂协调控制**：在高难度双臂操作基准 RoboTwin 2.0 中实现 90.62% 成功率，支持
   复杂双手协作。
 * **开源生态开放**：模型与相关资源向行业开源，降低具身智能研发门槛。

## ACE-Ego的技术原理

 * **以人为中心的预训练**：整合 6.0K+ 小时人类第一视角视频、多本体机器人演示与仿真
   数据进行预训练，用人类日常操作视频建立通用操作表征，通过少量机器人数据微调实现
   技能迁移。
 * **相机空间动作**：将动作预测统一到相机坐标系下，消除不同机器人本体和相机视角差异
   带来的动作空间不一致问题，使模型能跨形态输出统一的动作指令。
 * **形态条件编码**：通过编码机器人形态信息，如关节结构、自由度配置，让模型理解不同
   本体的物理约束，在同一模型内适配多种机器人硬件。
 * **可靠性感知训练**：引入可靠性评估机制，在训练过程中区分高置信度与低置信度动作
   预测，提升模型在复杂接触操作中的稳定性和安全性。⌊挖挖GitHub⌉

微信关注回复 “**开源**”，加入**AI开源项目交流群**

## 如何使用ACE-Ego

 * **环境准备**：克隆官方 GitHub 仓库并安装 Python 依赖环境，确保系统支持 PyTorch
   与 CUDA。
 * **模型下载**：从开源渠道获取 ACE-Ego 预训练权重文件，加载以人为中心预训练的 VLA
   基础模型。
 * **本体配置**：通过形态条件编码接口录入目标机器人的 URDF 结构、关节自由度与相机
   参数，完成一脑多型适配。
 * **相机标定**：对机器人搭载的 RGB-D 相机进行内外参标定，建立统一的相机空间动作
   坐标系。
 * **数据微调（可选）**：针对特定任务采集少量机器人演示数据，结合人类视频预训练权
   重进行轻量级微调。
 * **视觉输入**：将机器人实时相机画面与语言指令，如”把鞋子装进鞋盒”输入模型。
 * **动作推理**：模型输出相机空间下的末端执行器动作序列，包含位置、姿态与夹爪开合
   度。
 * **映射执行**：将相机空间动作指令转换为目标机器人本体的关节控制信号，驱动硬件完成
   操作。
 * **可靠性校验**：启用可靠性感知模块过滤低置信度动作，确保长周期复杂操作的安全稳定
   执行。

## ACE-Ego的核心优势

 * **性能领先**：RoboCasa GR1 TableTop 72.8% 刷新 SOTA，大幅超越 π0.5（37.0%）、
   GR00T-N1.6（47.6%）等主流模型。
 * **跨形态泛化**：一脑多型架构支持同一模型适配不同机器人，降低多本体部署成本。
 * **复杂任务能力**：在强接触、长周期零售操作中表现稳定，覆盖商品整理到打包履约全
   链路。
 * **数据效率高**：基于人类视频预训练，减少对昂贵机器人演示数据的依赖。

## ACE-Ego的项目地址

 * **项目官网**：https://acerobotics-vla.github.io/ACE-Ego/
 * **GitHub仓库**：https://github.com/ACERobotics-VLA/ACE-Ego-0
 * **技术论文**：https://acerobotics-vla.github.io/ACE-Ego-0/paper.html

## ACE-Ego的同类竞品对比

  |  维度 |  ACE-Ego |  π0.5 |  
   |  **发布方** |  大晓机器人 × 港中文 MMLab |  Physical Intelligence |  
 |  **定位** |  一脑多型具身操作 VLA |  通用流匹配 VLA 模型 |  
 |  **RoboCasa GR1** |  **72.8%**（SOTA） |  37.0% |  
 |  **预训练数据** |  6.0K+ 小时人类视频 + 机器人数据 |  大规模多本体机器人数据 |  
 |  **核心特色** |  以人为中心、相机空间动作、形态条件编码 |  流匹配动作生成、大规模预训练 |  
 |  **开源状态** |  **开源** |  闭源（API/模型权重受限） |  
 |  **形态适配** |  原生支持一脑多型 |  需针对各本体单独微调 |

## ACE-Ego的应用场景

 * **零售履约**：超市、便利店等场景中的商品整理、塑料袋打包、鞋盒装鞋等线下零售操作
   自动化。
 * **物流仓储**：仓库内物品分拣、装箱、码垛等需要强接触操作的物流环节智能化。
 * **家庭服务**：家庭环境中的物品收纳、整理、简单清洁等日常家务操作辅助。
 * **商业服务**：商场、酒店、餐厅等场景中的物品搬运、陈列维护与台面整理。
 * **工业制造**：生产线上的零部件装配、工具取放、物料转移等精细工业操作。

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,000+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[⚡ AIGC 早报生成器](https://paooo.com/mtool/)