TARS团队48小时重构簸箕抓取方案,以82.5分夺冠首届蚂蚁灵波具身大模型挑战赛

在蚂蚁灵波首届具身大模型挑战赛决赛中,平均年龄25岁的00后团队TARS放弃主办方提供的210条官方数据,耗时48小时自采新数据并优化抓取策略,最终以82.5分反超对手夺冠,斩获8万元奖金。

人工智能 阅读量: 3584

11月16日,首届蚂蚁灵波具身大模型挑战赛决赛在上海落幕。15支队伍在48小时内完成数据采集、模型调优与真机部署,使用同一套VLA(Vision-Language-Action)模型执行三项任务:按指令摆放水果、将化妆品放入透明收纳架指定层、双臂配合清扫垃圾。最终,平均年龄仅25岁的TARS团队以82.5分摘得桂冠,获得8万元一等奖。

TARS团队由五名成员组成,队长吴昊楠为即将从天津大学硕士毕业的00后,其余成员分别来自福田实验室、西北工业大学与普渡机器人。其夺冠关键在于对第三项“双臂清扫”任务的激进重构——当发现主办方提供的210条示范数据均采用“抓簸箕把手”方式时,团队判断该策略存在接触面小、易打滑翻转等物理缺陷,遂决定放弃既有数据,从零开始重新采集。

他们将抓取点改为簸箕后沿,以增大接触面积并提升稳定性,并为此投入大量时间进行数据标注与模型微调。这一决策风险极高:在仅48小时的极限赛程中,几乎将全部精力押注于单一任务环节。但正是这一孤注一掷,在比赛最后几分钟实现反超,将第二名EVA团队(73.83分)甩在身后。

EVA团队由华中科技大学、清华大学深圳研究院与湖北元一智能联合组建,其技术路径同样颇具启发性。初赛阶段使用官方数据时,真机成功率仅约10%。面对调试困境,他们未选择全面重训,而是启动“递归自我改进”(RSI)机制:让模型先行执行,人工接管失败样本,再由大模型辅助标注,形成“执行—纠错—回流—再训练”的闭环。48小时内完成7轮迭代,新增700余条高质量示范与接管数据,并通过流程优化将训练速度提升2.7倍。

两支队伍代表了当前具身智能开发中的两种典型范式:TARS强调任务物理合理性优先,敢于推翻已有数据;EVA则侧重系统鲁棒性构建,通过持续反馈提升泛化能力。二者殊途同归,均指向一个共识:在真实机器人场景中,高质量、任务适配的数据远比通用数据集重要。

本次赛事由蚂蚁灵波主办,初赛吸引全球1855支队伍、3252名选手报名,最终15支进入真机决赛。所有队伍统一使用开源预训练模型LingBot-VLA 2.0,并在相同硬件平台(含双臂机械臂与视觉系统)上测试。

值得注意的是,TARS在前两项任务中并未另起炉灶,而是采用“千问+图像掩码”策略:利用通义千问识别背景干扰物,按颜色分割将其抹除,使VLA更聚焦目标与放置区域,从而高效复用官方数据。这体现其策略的理性——并非盲目创新,而是在关键瓶颈处精准发力。

机器人执行水果摆放任务现场

行业观察指出,具身大模型正从“仿真验证”加速迈向“真机落地”。过去一年,多支高校与初创团队在类似竞赛中展现出快速工程化能力:从数据清洗、动作规划到实时纠错,链条日益完整。但挑战依然显著:人工接管仍不可或缺,数据采集成本高,任务泛化性有限。正如蚂蚁灵波CEO所言,当前尚处于Scaling Law早期阶段,需算法、硬件与数据协同突破。

另一支值得关注的队伍是SST(来自上海交通大学与中科院自动化所),其采用分阶段策略:先用轻量模型快速完成粗定位,再调用大模型精调动作参数,有效平衡了响应速度与精度。而FDU_SONIC与ai-robot等团队则在双臂协同控制逻辑上提出新解法,例如引入力觉反馈动态调整夹持力度。

本次大赛亦暴露现实瓶颈。多位参赛者反映,尽管模型在仿真中表现优异,但在真实环境中,光照变化、物体反光、机械臂延迟等因素仍导致成功率断崖式下降。有团队尝试加入触觉传感器补偿,但受限于硬件接口标准化程度,集成难度较大。

TARS团队领奖现场

具身智能的核心矛盾在于:大模型擅长理解与推理,却缺乏对物理世界的精确建模能力;而传统机器人控制强于执行,却难以应对开放场景的语义指令。TARS团队的“手搓数据”本质是对这一鸿沟的主动弥合——他们不是在调参,而是在重新定义任务边界。

赛事结束后,蚂蚁灵波宣布将开源部分高质量数据集与评估工具链,并计划设立常态化开发者激励计划。据透露,已有投资机构与TARS团队接洽,探讨技术落地可能性,初步方向包括仓储拣选与家庭服务场景。

具身智能的竞赛已不再仅是算法比拼,更是工程直觉、物理理解与临场决策的综合较量。当00后团队敢在48小时内推翻既定方案、重构抓取逻辑,并最终胜出,这或许预示着新一代开发者正以更务实的姿态,推动AI从“能说会道”走向“能做会干”。