Apple Research Team Unveils HALO Autonomous Control System for Humanoid Robots
苹果公开人形机器人“大脑”HALO！搭载宇树G1测试 陌生环境任务成功率达91%
Apple's research team has published findings on HALO, an autonomous control system validated on Unitree G1 hardware. The system combines visual language models with motion generation to perform tasks like pushing boxes and navigating obstacles in unscanned environments. While single tasks achieved a 91% average success rate across six real-world settings, composite tasks averaged 70%. The architecture relies on local Qwen models and synthetic data from 1,000 simulated homes, though it still requires manual prompt design for new physical tasks.
Source: Chinese robotics — Hardware and sensing · 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
Reported success rate
91%
Reported trials
View original evidence
6种陌生环境测试成功率91% 复合任务仍有改善空间 在实际测试方面，研究团队选择6个未经事先扫描或建图的真实环境，进行360次单项任务测试，平均成功率达91%。
Open source S16Reported success rate
70%
Reported trials
Reported success rate
50%
Reported trials
training data duration
≈300 hours
View original evidence
为了训练机器人适应不同环境，研究团队建立一套大规模合成资料生成流程，在1,000个程序生成的模拟家庭环境中，制作约300小时的主要训练资料，将机器人看到的画面、接收的指令及对应动作配对。
Open source S20GPU hours
≈48 hours
View original evidence
在计算资源方面，研究团队使用250张英伟达H100 GPU，耗时约48小时完成主要训练资料的合成；动作生成器采用模仿学习训练，使用64张B200 GPU；动作追踪器则通过强化学习、策略蒸馏等方式训练，使用4张H100 GPU。
Open source S23simulated environments
1,000
View original evidence
为了训练机器人适应不同环境，研究团队建立一套大规模合成资料生成流程，在1,000个程序生成的模拟家庭环境中，制作约300小时的主要训练资料，将机器人看到的画面、接收的指令及对应动作配对。
Open source S20action replanning frequency
≈3
- paper: not_reported
- code: not_reported
- weights: not_reported
- dataset: 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.
6种陌生环境测试成功率91% 复合任务仍有改善空间 在实际测试方面，研究团队选择6个未经事先扫描或建图的真实环境，进行360次单项任务测试，平均成功率达91%。
Open source S16
研究团队另外在单一真实环境中，针对3种复合任务各进行10次测试，平均成功率为70%。
Open source S18
其中，“弯腰通过障碍物、走向目标、推动箱子”这项连续任务的成功率仅50%，显示机器人处理多步骤动作时仍面临挑战。
Open source S19
为了训练机器人适应不同环境，研究团队建立一套大规模合成资料生成流程，在1,000个程序生成的模拟家庭环境中，制作约300小时的主要训练资料，将机器人看到的画面、接收的指令及对应动作配对。
Open source S20
在计算资源方面，研究团队使用250张英伟达H100 GPU，耗时约48小时完成主要训练资料的合成；动作生成器采用模仿学习训练，使用64张B200 GPU；动作追踪器则通过强化学习、策略蒸馏等方式训练，使用4张H100 GPU。
Open source S23
系统每秒重新规划约3次，让机器人能随着环境变化持续修正动作。
Open source S14
Source：Chinese robotics — Hardware and sensing · c114.net.cn