VLA・模仿学习开发写不出来的动作，就从人的示范中学。

工厂/仓库运输模拟

Unitree G1

Isaac Sim 中的物理模拟验证了双手握住 0.25 kg 盒子，行走约 1.2 m，并将其放置在另一个平台上的行为。这不是实际机器的视频。

RealMan RMC-AIDAL

我们握住一个假设的运输箱的手柄，该运输箱的机身尺寸为 30 x 20 x 20 cm，总重量为 10 kg，并验证了用轮子运输它约 1.2 m、将其放在支架上然后释放的过程。这是物理模拟，修正了公共CAD模型的重心和接触设置，并不保证实际机器的负载能力。

RealMan RMC-AIDAL：用双臂运输 10 公斤箱

我们验证了用双手使用左右手柄握住一个假设的运输箱，其机身尺寸为 30 x 40 x 20 cm，总重量为 10 kg，运输约 1.2 m，并将其放置在支架上的操作。运输过程中，左右手的接触和负载分配都会被记录。这是物理模拟，修正了公共CAD模型的重心和接触设置，并不保证实际机器的负载能力。

您还可以咨询我们针对您的业务量身定制的模拟和演示实验，例如补充货架、供应零件箱和分类。

环境/盒子 3D 材质： NVIDIA SimReady / codepawl/simready-glb · CC BY 4.0 · 我们正在调整材质转换、尺寸和显示材质。

有些作业写不成程序

若是在固定位置抓取固定物体，直接写出动作更可靠也更快。搬出学习的意义，只在于写不出来的作业。

对象物形状因个体而异、摆放方式每次不同、像袋子或布一样会变形。这类作业无法把条件分支写尽，通过展示人的示范来获得动作的方法才现实。

另一方面，学习并非万能。所需数据量随作业难度与要求的成功率而变，有些部分不真正采集就看不清。我们先做试验性采集，判断清楚后再进入正式采集。

实现示例：Gemini 4 Argon × Unitree G1（从视觉到行动的转换）

使用 Gemini 4 Argon，我们成功验证了 Unitree G1 在不使用任何硬编码动作的情况下抓取并举起塑料瓶。 AI将摄像头的视觉信息直接转换为机器人动作，并根据情况生成抓取动作，即使物体重新定位又重新定位。

我们将使用这个基本模型、VLA 和基于人类表现数据的模仿学习来设计和实现视觉动作生成，针对目标飞机和现场工作条件进行定制。

可承接的范围

数据是一切的地基

学习的成败，在模型之前先由数据决定。视角不足、没有失败案例、作业条件摇摆不定——用这样的数据训练，在现场是动不了的。

我们在设计对象作业・机体・采集量・品质基准之后，从实机获取数据。也备有在远程操作让机体实际作业的同时，同步记录视觉・行动・对话・非语言的构成。

也可以只承接数据采集，或仅就采集环境的搭建提供咨询。

NVIDIA GEAR Sonic × Unitree G1：实机运行验证

我们在 Unitree G1 实机上运行了 NVIDIA GEAR Sonic，并验证了其运行情况。以下视频展示了验证过程。

Gemini 4 Argon × Unitree G1：将视觉转化为行动的自主抓取演示

我们使用Gemini 4 Argon进行了实际机器测试，其中Unitree G1抓取并举起塑料瓶。不使用硬编码运动； AI直接将相机的视觉信息转化为动作。

即使你改变了物体的位置并再次放置它，人工智能也会从视觉上了解情况并产生抓取动作。我们还接受使用Unitree G1实施物理AI/VLA以及针对目标业务量身定制的PoC/演示实验的合同开发。