三维多模态感知与推理
3D Multi-modal Perception & Reasoning
基于大规模虚实混合场景资产，自动化构建海量多模态语料，配合人在回路或人工标注的高质量多元评测体系，持续推动从点云到第一视角图像输入的三维多模态大模型研究，让大模型具备通用的空间理解、想象、推理能力，构建数字空间到物理空间的感知桥梁
EmbodiedScan 系列工作：最大规模三维场景多模态数据驱动
大规模场景资产搭配全面数据管线提供充足语料供给
InternSR：空间推理工具链支持高质量多元空间推理评测体系
面向不同输入、不同场景的人工高质量评测体系
PointLLM 系列工作：国际领先的三维多模态大模型能力
从点云到第一视角输入，从物体到场景理解
导航智能
Navigation Intelligence
基于自研的虚实贯通训练与评测管线，依托大规模数字场景资产与海量多模态语料，结合每日50000条轨迹/台天的数据合成效率，低成本高效率训练具备国际领先性能的导航“大脑”，“一脑多形”支持跨场景、跨本体的零样本泛化
InternVLA-N1: 基于第一视角的首个双系统端到端导航大模型
融合超长程指令跟随和密集动态环境避障能力异步丝滑推理
StreamVLN: 流式导航大模型迈向在线推理和长时记忆
纯仿真数据训练统一流式推理框架实现高效训练和零样本泛化
NavDP: “一脑多形” 通用导航扩散策略
虚实贯通高效训练实现跨本体跨场景密集动态环境避障
操作智能
System-2
Coming SoonManipulation Foundation Model
基于自研的虚实贯通训练管线，依托8万级语义标注的数字物体资产，并结合每日每台生成 8000 条轨迹的任务与动作规划一体化合成数据，赋能具身大脑复杂场景上指令跟随能力与跨任务泛化
GenManip: 首个LLM驱动的具身推理任务合成和操作评测平台
大模型驱动的面向具身推理任务泛化操作的操作仿真
InstructVLA：多模态推理驱动的操作任务泛化能力增强
联合视觉语言动作微调，实现从推理理解到操作执行的跨模态泛化迁移
操作智能
System-1
Manipulation Foundation Model
InternVLA-A1一脑多形、虚实贯通的理解、想象、执行一体化模型，赋能高动态场景的多机协作
理解、想象、执行一体化架构
视觉预测指导动作执行，赋能稳定的动态交互
虚实数据混合训练，提升极端场景的泛化能力
人形运动智能
Humanoid Locomotion & Control Model
以人形机器人基础运动控制为起点，构建分层次、系统化的控制算法体系。融合多模态感知与深度强化学习技术，赋予控制策略本体泛化，技能泛化，环境泛化的能力。逐步实现从“基础运动”到“全身控制”再到“移动操作”的技能跃迁，显著增强机器人在复杂真实场景下的运动，指令跟随与精密操控能力
“一脑多形”全身运动控制策略
运动策略跨本体，跨技能泛化
复杂环境中从零自主站起
提升起身稳定性与抗干扰能力
技能层级进化：从运动到操作
实现从基础运动到全身控制与移动操作的能力跃迁
其他更多
More