RoboParty 正式开源 Party OS，面向开发者与研究者提供人形机器人开源具身智能研发底座。同步开放 MimicLite 运动跟踪训练框架、UFO 无监督强化学习控制框架和 hhtools 动作重映射工具，支持低算力训练与快速部署，推动人形机器人研发从单点突破走向系统化基础设施。
Tags:
近日，全球领先的开源人形机器人全栈平台 RoboParty（萝博派对）首次公开面向下一代人形机器人的开源具身智能研发底座 Party OS，并同步成立 RoboParty Lab（简称 RPLab）、上线 Lab 官网。
Party OS 不是传统意义上的机器人操作系统，而是 RoboParty 面向人形机器人开发者、研究者与产业伙伴构建的开源具身 Infra。
它将机器人本体、运动控制、训练框架、动作数据、Sim2Real / Real2Sim、感知交互、全身操作、VLA / WAM 与开发者工具链连接成一套可复现、可扩展、可协作的研发闭环。
本次 RoboParty 正式成立 RoboParty Lab，并围绕 Party OS 首批开源三项面向人形机器人研发的底层基础设施与工具链：MimicLite、UFO 与 hhtools。
GitHub：https://github.com/Roboparty/Party_OS
此次公开核心算法 codebase MimicLite，是一套面向人形机器人通用运动跟踪的开源训练与部署 infra。
仅用 8 GPU 和约 1/500 的 SONIC 算力训练出 SONIC 级别的跟踪策略，支持 mjlab / IsaacLab、PPO / SAC、多数据集 any4hdmi 管线、mjhub 资产管理、0.1 秒低延迟 Pico 遥操作，以及任意 codebase policy 到 sim2real 的 10 分钟级适配。
同步开源的还有 RoboParty Lab 首个无监督强化学习控制开发框架 UFO（Unsupervised RL Control）。
该框架覆盖训练基础设施、数据管线、算法研究和推理部署全流程，支持快速复现 SOTA 方法、探索新的行为表示（Representation）、适配不同机器人平台，并实现从训练到真实机器人部署的一体化开发，进一步完善 RoboParty 在基础运动控制方向的开源技术栈。
还公开了另一项核心基础设施工具，是由 RoboParty Lab 推出的开源人形机器人动作重映射工具 Human-to-Humanoid Tools（hhtools）。
该工具面向人形机器人开发者与研究者，支持将跑酷、舞蹈、交互等人体动作片段，快速重映射到不同人形机器人结构上，帮助开发者更高效地完成从人体动作、动作数据集到机器人动作轨迹的转换与验证。
从 MimicLite、UFO 到 hhtools，RoboParty 正在持续开放覆盖训练、控制、部署与数据工具链的人形机器人研发基础设施。
从 ROBOTO Origin 到 Party OS：让机器人研发能力被更多开发者复用
RoboParty 自成立以来，始终秉持全开源的极客理念，致力于为全球理想主义工程师、研发先行者与年轻技术人才，打造一片纯粹、自由、拒绝平庸的技术净土。
在人形机器人技术日新月异、产业进入关键落地窗口的当下，行业正在从“单点 Demo 展示”走向“系统能力竞争”。
真正决定人形机器人能否持续迭代的，不只是某一次演示中的运动表现，而是底层本体、控制算法、仿真训练、动作数据、开发工具与工程部署之间是否能够形成可复现、可协作、可扩展的研发闭环。
此前，RoboParty 已通过全栈开源人形机器人项目 ROBOTO Origin，向外部开发者开放了从硬件结构、控制系统到基础运动能力的完整工程路径。
随着社区、开发者与真实用户反馈不断涌入，RoboParty 也逐渐意识到，开源不应停留在一次性发布某个机器人项目。
而应该成为一种持续的生态：将内部研发流程中反复使用、反复验证的工具链、方法论和技术模块，逐步沉淀为外部开发者也可以使用、理解、修改和贡献的开放基础设施。
RoboParty Lab 正是在这一背景下诞生。
Party OS：面向全球开发者的人形机器人开放研发底座
Party OS 是 RoboParty 面向全球开发者、研究者及机器人企业打造的开源人形机器人研发底座，也是公司开源具身智能技术体系的系统化表达。
RoboParty Lab 将作为 Party OS 的开放实验室，持续围绕人形机器人底层能力建设，开放研发过程中沉淀的核心基础设施、工程工具链与研究成果，推动人形机器人研发从单点能力突破走向系统化基础设施建设。
围绕 RoboParty 正在构建的 Party OS，RoboParty Lab 当前重点布局四个核心技术方向：
1、Humanoid Locomotion（人形机器人基础运动控制）
建设覆盖数据生成、动作重定向、训练框架、Sim2Real / Real2Sim 部署链路以及 Behavior Foundation Model（BFM）的运动控制基础设施，持续提升机器人基础运动能力及开发效率。
2、Humanoid Perceptive Interaction（人形机器人感知交互）
围绕环境感知、场景交互（HSI）与物体交互（HOI）等能力，提升机器人在复杂真实环境中的感知、决策与连续交互能力，为后续操作智能提供稳定基础。
3、Humanoid Whole-Body Manipulation（人形机器人全身协调控制与操作）
融合 BFM、视觉语言模型（VLA）、World Model 等能力，推动机器人实现全身协调控制与复杂操作任务，构建具备规模化泛化能力的操作智能基础架构。
4、Agentic Humanoid（人形机器人智能体系统）
基于 Agent + Skills 的系统架构，持续探索机器人任务规划、自主执行与技能组合能力，推动人形机器人从单任务执行向自主智能体演进。
围绕上述技术体系，RoboParty Lab 将持续开放内部研发过程中沉淀的关键基础设施，逐步形成覆盖数据、训练、部署到开发协作的人形机器人开放研发平台。
对于 RoboParty 而言，RoboParty Lab 不仅是一个开源项目集合，更是连接开发者、研究机构与产业伙伴的开放协作平台。
开发者可以基于开放工具快速开展算法研究、机器人适配与能力验证，参与代码贡献、Issue 共建及工程优化，共同推动下一代人形机器人研发基础设施的发展。
三项技术/工具开源
一、MimicLite：让通用人形运动跟踪进入小时级迭代
MimicLite 是一套面向人形机器人通用运动跟踪的开源训练与部署基础设施。它贯通数据、训练、统一评测与真机部署，使研究者能够以更低算力快速迭代跟踪策略，并将来自不同训练框架的策略接入同一套 sim2real 系统。
1）小时级训练，保持强劲跟踪性能
使用 8 张 RTX 4090 GPU，在约 3 小时内训练出具有强劲跟踪性能的通用策略。训练成本约为 24 GPU-hours，仅相当于 SONIC 算力的约 1/875，同时实现更好的全局根部跟踪和相当的局部身体跟踪精度。
MimicLite 还可以随并行环境数量、GPU 数量和模型容量继续扩展。实验表明，更大的训练规模能够进一步提高高动态动作的完成度和整体跟踪质量，使新数据、新任务和新控制设定的验证不再依赖漫长的训练周期。
2）面向持续迭代的 Tracking Infra
MimicLite 通过统一的 motion、robot asset 和 policy artifact 接口，减少训练、评测与部署之间的系统差异。
any4hdmi 将来自 LAFAN、100STYLE、SONIC 和真实数据等不同来源的动作组织为统一格式；mjhub 则保证机器人模型在训练、运动学计算和 sim2sim 验证中的一致性。
这套设计的重点不是增加零散工具，而是建立一条稳定、可复现的数据到部署链路，让研究者能够集中迭代 observation、reward、termination 和数据分布，而无需为每个数据集或训练后端重新搭建系统。
3）从低延迟遥操作到高动态真机动作
同一套 MimicLite policy 可以直接用于低延迟 Pico/XR 遥操作。系统将人体输入实时转换为参考运动，并根据机器人状态输出低层控制目标。
在真机上，单个策略既能完成行走、转身、侧步、下蹲和单膝或双膝跪地等交互动作，也能跟踪虎跳衔接肩滚、旋转踢和侧手翻等高动态动作，实现灵活遥操作与敏捷运动能力的统一。
4）跨 Codebase 的统一评测与 Sim2Real
MimicLite 采用模块化 observation interface，将 policy-specific 的输入构造与共享部署 runtime 解耦。
接入其他 codebase 训练的策略时，只需实现对应的 observation class，并通过 YAML 定义各项 observation 的顺序和参数，无需修改推理、仿真或机器人接口。
目前系统已经接入 SONIC、HEFT、TeleopIT、Humanoid-GPT、BFM-Zero 和 TWIST2 等策略。
适配后的 policy 可以沿同一条路径完成 matched evaluation、sim2sim 验证与真机部署，使 MimicLite 不仅服务自身训练出的策略，也成为跨 codebase policy 的统一评测与部署层。
二、无监督强化学习控制开发框架 UFO
UFO 是一套面向研发、完全开源的人形机器人无监督强化学习控制（Unsupervised RL Control）开发框架，覆盖训练基础设施、数据管线、算法研究和推理部署全流程。
框架致力于降低无监督强化学习控制的研发门槛，使研究者能够快速复现 SOTA 方法、探索新的行为表示（representation）、适配不同机器人平台，并实现从训练到真实机器人遥操作部署的一体化开发。
1）Fast Training Infrastructure
利用更轻量级 MJLab 作为backend，兼容单卡、多卡并行训练，在 8 张 RTX 4090 GPU 上仅需不到 12 小时即可完成BFM-Zero算法训练，摆脱了对单张大显存 GPU 的依赖；在 8 张 H200 上 6-8小时即可完成训练，在性能上也持续优于 BFM-Zero。
2）General and Extensible Framework
统一的 codebase 不再受限于特定机器人，大幅降低新平台的迁移成本。支持来自不同来源的数据混合训练，并提供灵活的数据调度与配比机制。通过合理的数据分布设计，无监督强化学习不仅能够学习稳定的通用运动，还已展现出侧手翻等高动态动作的学习能力。
3）New Representation Integration
除集成经典 BFM-Zero（FB Representation） 外，框架支持多种行为表示（representation）的无监督学习研究。
我们已探索 TeCH（Temporal Distance Modeling via Contrastive Representation Learning for Humanoid Whole-Body Control）等新型表示，并取得良好的控制效果，为更通用的无监督控制算法提供统一实验平台。
4）Teleoperation in the Real World
首次开源无监督强化学习控制的遥操作代码及完整验证方案，支持真实机器人部署。机器人能够自然完成深蹲、半蹲、跪地、打滚、跌倒恢复以及抗外力扰动等复杂全身动作，为无监督强化学习在真实场景中的应用提供了完整参考实现。
三、Human-to-Humanoid tools
30 秒完成 Human-to-Humanoid 动作重映射，推动人形机器人研发工具链开源化。
Human-to-Humanoid tools（hhtools）是一款高效的开源 retarget 开源工具，保证用户实现全程web前端操作，并具有以下功能：
1）Fast Retarget
hhtools 依托 Newton IK （Warp可并行）与 Interaction-Mesh（MPC solver） 交互网格双后端架构，实现行业领先的轻量化高速动作迁移，单段地形跑酷、舞蹈、物体交互等全身复杂动作仅需 30 秒即可完成完整重定向运算。
同时保障动作时序平滑、无关节突变与滑脚失真问题，大幅压缩人形机器人动作调试周期，适配快速迭代的研发场景，同时可以实现批量并行 retarget。
2）Any Motion
兼容并可视化市面上绝大部分开源数据集格式（自动识别），包括但不限于BVH / GLB / SMPL; 数据集包括但不限于bvh Mocap, AMASS, GVHMR, LAFAN1, OMOMO, PHUMA, Intermimic, Meshmimic。
3）Any URDF
打破单一机型绑定限制，原生支持市面上所有标准 URDF 格式人形机器人模型，开发者仅拖入机器人 URDF 和 Mesh 文件夹，无需针对不同机器人开发定制适配代码（自动识别）。
4）Robot → Robot (R2R)
区别于仅支持人到机器人的传统工具，hhtools 实现机器人到机器人的动作互转通道，可将一款人形机器人的成熟动作库直接迁移至另一款结构差异较大的机器人。依托统一骨骼对齐管线，解决数据集找不到的问题。
5）Dataset Analysis & Visualize
想要找到 1000 条数据集里面水平运动速度在 3m/s 的数据？hhtools 内置一体化运动数据分析与 3D 可视化模块。
支持关节轨迹曲线、重心变化、接触点热力图等多维度数据解析，辅助开发者快速清洗、筛选高质量训练数据，一站式完成数据预览、质检、分类导出，搭建轻量化机器人动作数据处理工作台。
不只是一个工具，而是 RoboParty 技术组织能力的外化
开源是一种组织方式：让问题被看见，让路径被复现，让能力被共享。
对于 RoboParty 而言，开源的技术并不只是一个单点工具，而是 RoboParty Lab 方法论的第一个公开样本。
人形机器人行业正在进入一个更深层的竞争阶段：谁能够更快地吸收全球开发者反馈，谁能够更快地把内部研发工具产品化、模块化、文档化，谁就更可能在快速变化的技术周期中形成复利。
RoboParty Lab 的意义，正是在于把 RoboParty 内部高强度技术迭代的过程，逐步转化为外部开发者可以看见、可以使用、可以贡献的开放系统。
在这个系统中，RoboParty 不只是发布一个机器人项目，而是在逐步搭建一个面向人形机器人开发者的开放基础设施：开发者可以基于 ROBOTO Origin 理解一台人形机器人的完整工程链路，也可以基于 hhtools 快速尝试动作迁移、机器人适配和动作数据处理。
未来，RoboParty Lab 还将围绕更多底层能力，持续公开新的工具、实验项目与技术文档。
RoboParty 希望通过这种方式，让机器人研发不再只是少数封闭团队内部的黑箱过程，而成为一个更加开放、透明、可协作、可持续演化的全球开发者网络。
面向全球开发者，开源下一代人形机器人全栈具身平台
从 ROBOTO Origin 到 RoboParty Lab，RoboParty 正在从一家开源人形机器人公司，进一步成长为人形机器人基础设施的建设者。
其核心并不是简单地“开源更多代码”，而是把机器人研发中的关键能力拆解为可复现的系统、可验证的工具和可参与的社区任务。
从“开源一台人形机器人”，进一步走向“建设开源全栈具身平台”。
接下来，RoboParty Lab 将作为 Party OS 的开放实验与技术发布窗口，继续围绕运动控制、全身操作、Motion Intelligence、数据工具链与具身智能基础模型推进开放项目。
持续追踪、复现并开放 SOTA 方法与工程经验，推动 Party OS 成为下一代人形机器人研发中可复现、可协作、可持续迭代的开放底座。
RoboParty 相信，人形机器人的未来不应只由少数封闭系统定义。
真正有生命力的技术生态，应该允许更多年轻的、锋利的、富有想象力的开发者进入其中，在真实的工具、真实的代码、真实的机器人和真实的问题中成长。
RoboParty Lab 正是为这样的人而存在。
让每一个有能力、有技术、有想法的人，被这个世界看到。
官网：https://lab.roboparty.com
GitHub：https://github.com/Roboparty/Party_OS
今天的分享到此结束，感谢大家抽空阅读，我们下期再见，Respect！
没有评论:
发表评论