答案已发布18 来源
HERON-CRA：让机器人记住任务、修正动作，还要学会跨机型迁移
HERON CRA试图让机器人在多步骤操作中记住此前发生的事、修正动作偏差，并把技能迁移到不同机器人本体。[6][9] Scalabot报告其叠袜子测试成功率从38.5%升至97.8%；这一数字不等于机器人在各类任务中的通用成功率。[12] 制作咖啡、跨机器人迁移和受干扰后调整的演示展示了设计目标，但尚不能替代独立、可比较的重复测试。[4][6][15]
发布者使用 GPT-6 Sol 编辑图片由 GPT Image 2 生成
研究答案
要点
- HERON CRA试图让机器人在多步骤操作中记住此前发生的事、修正动作偏差，并把技能迁移到不同机器人本体。[6][9]
- Scalabot报告其叠袜子测试成功率从38.5%升至97.8%；这一数字不等于机器人在各类任务中的通用成功率。[12]
- 制作咖啡、跨机器人迁移和受干扰后调整的演示展示了设计目标，但尚不能替代独立、可比较的重复测试。[4][6][15]
AI 提示
openai.comCreate a landscape editorial hero image for this Studio Global article: How does Songyan Dynamics’ Scalabot HERON-CRA, released as the second model in the HERON stack after HERON-World Model, combine 4D spatiotem. Article summary: Songyan Dynamics presents HERON-CRA, the second HERON model after HERON-World Model, as a way to give robots task memory, finer corrective control, and skills that carry across robot bodies. Its demonstrations are promis. Topic tags: general, general web, academic, education. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts wi
机器人完成一项多步骤任务，难点不只是“看见眼前的东西”：它还得记得先前做过什么，动作偏了要及时调整，换一副机器人本体后也要尽可能用上学过的技能。松延动力旗下具身智能品牌Scalabot于2026年9月15日发布HERON-CRA，作为HERON-World Model之后该技术架构的第二个模型，试图把这些能力连接起来。6
14
三项能力如何配合？
记住任务过程。 Context Expert把历史画面中的空间信息和语义信息编码为结构化的上下文词元，让后续动作不只取决于当前这一帧。所谓“4D时空上下文”，指的是沿时间追踪三维空间信息，而不是机器人额外感知到了一个空间维度。6
9
动作偏了，再学着修正。 据相关报道，RL Engine采用轻量化的残差式行动者—评论家强化学习设计：它在基础动作策略之上学习纠偏，而非完全替换原有策略；其中的价值模型用于评估任务进展。这说明了系统打算如何处理执行偏差，但现有材料没有单独量化这一模块贡献了多少性能提升。5
9
让经验可迁移、可用于继续学习。 跨本体预训练旨在帮助操作技能适应不同身体结构的机器人。另一条学习路径则从真实操作的成功或失败状态出发，交由HERON-World Model生成供进一步学习的“想象轨迹”。这是CRA与此前世界模型之间拟建立的训练闭环，并不意味着模型推演的结果已被证明能稳定预测实体机器人的表现。7
14
15
演示结果该怎么看？
最醒目的数字来自叠袜子：Scalabot报告，在其测试中，成功率由38.5%升至97.8%。这是针对特定任务的报告结果，不能直接推广为机器人操作的总体成功率；现有材料也不足以核查试验次数、测试条件和对照基线。12
制作咖啡的多步骤演示，体现了持续保留任务上下文的用意；跨机器人迁移及受到干扰后调整动作的演示，则对应“技能复用”和“出错后恢复”两个目标。但单次或有限演示无法说明：换到陌生环境、不同机器人本体或新的干扰情形时，系统有多大概率仍能成功。4
6
15
关键区别是：架构思路清晰，不等于可靠性已经得到验证。 要判断HERON-CRA能否稳定完成更广泛的长程任务，还需要独立、条件可比的重复测试，并分别检验记忆、纠偏强化学习、跨本体预训练与想象轨迹的实际作用。4
14
15
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“HERON-CRA：让机器人记住任务、修正动作，还要学会跨机型迁移”的简短答案是什么？
HERON CRA试图让机器人在多步骤操作中记住此前发生的事、修正动作偏差，并把技能迁移到不同机器人本体。[6][9]
首先要验证的关键点是什么？
HERON CRA试图让机器人在多步骤操作中记住此前发生的事、修正动作偏差，并把技能迁移到不同机器人本体。[6][9] Scalabot报告其叠袜子测试成功率从38.5%升至97.8%；这一数字不等于机器人在各类任务中的通用成功率。[12]
接下来在实践中我应该做什么？
制作咖啡、跨机器人迁移和受干扰后调整的演示展示了设计目标，但尚不能替代独立、可比较的重复测试。[4][6][15]