Apple Discloses HALO Humanoid Control System Research Progress
涉足具身智能? 苹果披露人HALO系统研究进展!
On November 4, 2026, Apple's research team submitted a paper titled 'Perceptive Humanoid Motion from Simulation' to arXiv and opened its code. The HALO system, tested on Unitree G1 robots using an M4 Pro Mac mini for inference, employs a three-layer architecture with Qwen models for vision-language understanding and action generation. It achieves 91% average success on single tasks in simulation-to-real transfer but shows reduced reliability (50%) on complex multi-step sequences. The system currently lacks tactile feedback and requires manual prompts for new tasks.
Source: Chinese robotics — Research news discovery · Read original article ↗
English translation unavailable. Choose the original article to read it.
What the source reports
Publisher-reported claims, with original evidence. These results have not been independently verified by RoboSignal.
Reported numbers
test attempts
360
Reported trials
View original evidence
3. 测试成绩 ◦ 单项独立任务：360次测试，平均成功率91%； ◦ 长序列复合连续任务：平均成功率70%；最复杂多步骤任务（过障碍→走向目标→推箱子）成功率仅50%，长链条任务稳定性明显下降。
Open source S7Reported success rate
91%
View original evidence
3. 测试成绩 ◦ 单项独立任务：360次测试，平均成功率91%； ◦ 长序列复合连续任务：平均成功率70%；最复杂多步骤任务（过障碍→走向目标→推箱子）成功率仅50%，长链条任务稳定性明显下降。
Open source S7Reported success rate
70%
View original evidence
3. 测试成绩 ◦ 单项独立任务：360次测试，平均成功率91%； ◦ 长序列复合连续任务：平均成功率70%；最复杂多步骤任务（过障碍→走向目标→推箱子）成功率仅50%，长链条任务稳定性明显下降。
Open source S7Reported success rate
50%
View original evidence
3. 测试成绩 ◦ 单项独立任务：360次测试，平均成功率91%； ◦ 长序列复合连续任务：平均成功率70%；最复杂多步骤任务（过障碍→走向目标→推箱子）成功率仅50%，长链条任务稳定性明显下降。
Open source S7execution frequency
50
View original evidence
1. 三层控制架构 ◦ 上层：视觉语言模型VLM，负责理解自然语言、拆解任务、编排步骤；驱动模型千问 Qwen3.6-35B-A3B ◦ 中层：动作生成器，生成全身连贯动作；驱动模型千问模型 Qwen3.5-2B ◦ 底层：经强化学习、策略蒸馏等步骤训练的动作跟踪器，以每秒 50 次的频率高频执行，稳定控制肢体。
Open source S5virtual scenarios
1,000
View original evidence
2. 训练思路：仿真优先，虚实迁移 先在1000个虚拟家庭场景里大量生成训练数据，机器人在仿真环境反复练习穿行、推箱子、避障等动作，再把学到的能力迁移到没有提前建图扫描的真实陌生环境，不用提前测绘空间。
Open source S6memory capacity
64
View original evidence
测试硬件基于宇树G1人形机器人，机载端搭载64 G统一内存的M4 Pro Mac mini做推理，执行任务时，HALO 由三层控制架构协同控制。
Open source S4
- paper: not_reported
- code: Reported pending Open source S3
- weights: not_reported
- dataset: not_reported
- code: not_reported
What remains unknown
Not established in the collected evidence: Environment, Control, Data origin.
Reported performance applies to the described task. It does not establish general autonomy or deployment readiness.
Source excerpts and review record
Automatically extracted; no manual editorial approval recorded.
3. 测试成绩 ◦ 单项独立任务：360次测试，平均成功率91%； ◦ 长序列复合连续任务：平均成功率70%；最复杂多步骤任务（过障碍→走向目标→推箱子）成功率仅50%，长链条任务稳定性明显下降。
Open source S7
1. 三层控制架构 ◦ 上层：视觉语言模型VLM，负责理解自然语言、拆解任务、编排步骤；驱动模型千问 Qwen3.6-35B-A3B ◦ 中层：动作生成器，生成全身连贯动作；驱动模型千问模型 Qwen3.5-2B ◦ 底层：经强化学习、策略蒸馏等步骤训练的动作跟踪器，以每秒 50 次的频率高频执行，稳定控制肢体。
Open source S5
2. 训练思路：仿真优先，虚实迁移 先在1000个虚拟家庭场景里大量生成训练数据，机器人在仿真环境反复练习穿行、推箱子、避障等动作，再把学到的能力迁移到没有提前建图扫描的真实陌生环境，不用提前测绘空间。
Open source S6
测试硬件基于宇树G1人形机器人，机载端搭载64 G统一内存的M4 Pro Mac mini做推理，执行任务时，HALO 由三层控制架构协同控制。
Open source S4
2026年11月4日，苹果在预印本平台arXiv提交了名为《Perceptive Humanoid Motion from Simulation》的论文，并同步开源代码，核心目标是让机器人看懂语言指令、自主规划动作，在陌生家庭环境完成任务。
Open source S3
Source：Chinese robotics — Research news discovery · msn.cn