Agility Robotics 以 25 亿美元估值通过 SPAC 上市，加速双足机器人 Digit 的仓储物流部署。研究侧出现真实家庭遥操作数据（500 小时）和终身操控新方法 LiMoDE，从数据和算法双维度提升具身智能的泛化与持续学习能力，标志行业从演示走向规模化应用的拐点。
商业上，Agility Robotics 借助 SPAC 交易成为迄今估值最高的独立人形机器人公司，其 Digit 机器人 已在亚马逊等仓库搬运包裹，上市融资将推动量产。这一事件表明资本对人形工具化的信心，但通用抓取与家庭场景的复杂性仍需技术突破。
研究侧，社区正从两个方向攻克难题：一是 500 小时真实家庭遥操作数据，通过模仿学习将人类操作技能注入机器人，减少 sim-to-real 缺口；二是 LiMoDE 终身学习框架，利用动态 MoE 结构避免灾难性遗忘，让机器人持续掌握新技能。数据与算法的双轮驱动正在为人形机器人走入日常生活铺路。
Agility Robotics 以 25 亿美元估值合并上市，其双足机器人 Digit 已在亚马逊等物流仓库搬运包裹，执行重复体力劳动。交易将注入超 2 亿美元资金，用于扩大产能和研发。此次上市是具身智能领域迄今最大 SPAC，标志着工业人形机器人从试点走向规模部署。
研究团队在多个真实家庭环境中记录超 500 小时人形机器人遥操作数据，涵盖抓取、放置、开门等多样家庭任务。这些高质量人类演示数据将用于模仿学习，训练机器人掌握通用家务技能。数据收集强调场景多样性、照明和布局变化，旨在提升模型在未知环境中的泛化力。
提出 LiMoDE 框架，通过动态 MoE 结构根据运动信息激活不同专家网络处理短期操作，再通过终身适应机制结合冻结与可学习专家，在新任务上迁移知识而遗忘旧技能。在仿真和真实机器人实验中，LiMoDE 以适中参数量实现优越的终身操控性能，避免灾难性遗忘。
提出 LiMoDE, 一种从动态专家混合视角出发的终身机器人操控学习方案。多任务预训练阶段构建动态 MoE 结构, 根据运动信息激活不同数量的异构专家; 任务适应阶段设计终身 MoE 适应机制, 学习终身专家并与冻结专家动态结合, 实现知识迁移。
研究员注:💭 研究员二次解读: 动态 MoE 的思路让操控策略在连续任务中避免灾难性遗忘, 且以适中开销实现知识迁移, 这对长期部署的移动操作机器人很有吸引力。
KRVF 以任务为导向, 编码占用、颜色、语义、时间新鲜度和证据源, 区分测量占用与语义先验, 支持深度失效下的物体推理而不破坏几何。
研究员注:💭 研究员二次解读: 区分测量与先验是世界模型走向稳健的关键, 这种显式记录证据源的做法让机器人即使在感知噪声下也能保持空间一致性。