大晓机器人双脑协同架构首次落地酒店洗衣场景，具身智能RSI驱动技能持续进化

从客房取衣，穿过走廊抵达洗衣房，打开洗衣机、放入衣物，再完成烘干、装篮并送回客房。一项看似日常的酒店服务，背后涉及空间理解、设备操作、物理交互和多步骤任务协同。11月10日，大晓机器人将双脑协同架构带入酒店洗衣场景，首次集中呈现了世界模型、通用模型与具身智能RSI的协同应用。

把真实场景变成机器人的专属训练世界

机器人要在酒店完成洗衣服务，首先需要熟悉将要工作的空间：从客房到洗衣房的路线如何通行，走廊、电梯口和狭窄区域如何通过，洗衣机、烘干机和衣篮分布在哪里。大晓机器人依托开悟世界模型体系中的Mundo世界模型，从真实酒店出发，给定房间、走廊、电梯与洗衣房的图片集，并将其转化为三维场景。随着多视角信息逐步汇入，电梯门、墙体等建筑结构，以及楼层与洗衣区域之间的空间关系，在数字世界中逐渐呈现；洗衣机、烘干机、衣篮等物体也被纳入场景，成为机器人可识别和交互的对象。这座数字酒店，不仅可以看见、可以探索，还可以交互。

相较于以场景重建和视角探索为主的Atlas，Mundo进一步将物体质量、摩擦等物理属性纳入场景，使物体运动、接触与碰撞可以通过物理引擎计算。空间结构、物理过程和视觉画面共同构成高保真的数字孪生训练环境。在这里，机器人可以从房间出发，练习前往洗衣房，学习在走廊、电梯口和狭窄区域定位与规划路线；也可以围绕取衣、搬运衣篮、操作洗衣机等任务，反复训练对柔性衣物和刚性物体的操作。打开洗衣机门、放入衣物、关门、按键启动，再将洗好的衣物转移至烘干机，最后取出装篮，这些连续动作可以在数字场景中分阶段演练。每一次尝试产生的动作轨迹、接触状态和视觉观测，都为分析执行过程、比较不同策略和优化动作提供依据。这条Real2Sim2Real的训练链路，让机器人在贴近真实酒店的环境中反复练习、优化策略，加快场景适配。

 弥补效率鸿沟，把通用模型能力转化为机器人技能

酒店洗衣要求机器人理解复杂环境、规划长流程，并完成抓篮子、取衣物、按设备按钮等高精度操作。Astra具备较强的任务理解、视觉推理和泛化能力，能从任务目标出发探索做法，适应不同衣物、摆放方式和现场变化。但如果每一步都依赖模型观察、推理和决策，执行时延就难以满足酒店高频服务的要求。第一次现场决策测试中，尚未接入Harness时，Astra首次完成某一新操作耗时30分15.64秒；将有效做法沉淀为skill后，机器人一轮执行耗时18.648秒，提速约97倍。 

大晓机器人的双脑协同围绕这一转化展开：Astra负责任务理解、技能生成与问题改进，机器人端的skill、策略和控制器负责实时感知与动作执行。Astra探索出有效做法后，将感知、定位、规划、动作和条件判断沉淀为程序化skill，由机器人独立完成正式任务，从而兼顾执行效率与场景适应能力。在此基础上，团队研发BotAgent，将Astra能力延伸到酒店业务流程：围绕洗衣场景训练的53个原子动作，被组织为导航到房间、取篮子、前往洗衣区等14个高层语义步骤，并可组合成超过200种场景动作；BotAgent负责拆解订单、调用技能并协调机器人、洗衣机、烘干机和暂存位等资源。 

具身智能RSI从真实交互中持续改进 

RSI策略（递归自我改进）让机器人依据真实任务中的观测、动作和物理反馈，持续改进可部署的skill。Astra先根据目标生成skill，机器人真机执行并记录多路录像、测量数据和动作时间线；Astra结合失败、用户反馈和执行指标定位问题，提出改进方案，改动先经历史样本离线回放，确认修复有效且原有能力未退化后，再部署进入下一轮。机器人在轮次中稳定执行，Astra在轮次之间分析和改进，让每轮任务可复现、可回放。例如抓篮子时腕部相机离目标太近、标签易被遮挡，Astra改用头部相机；烘干机取衣时，针对裤腿仍拖在筒内的问题调整抬起高度和指尖角度；按按钮时，发现位姿数据过期便拒绝按压。

为让迭代持续进行，团队还将自主复位、独立评判和版本撤回纳入这套策略，评价标准也从“是否抓起”细化为“筒内还剩多少衣物”。烘干机取衣技能约57小时完成165轮真机实验，形成37条改进提议和约80个版本，场景扩展到牛仔裤、洗衣袋及混合衣物；牛仔裤留在筒内的比例从平均48%降至32%，最好一次为19%。

从一间客房到一条完整服务流程，这次实践展示了世界模型走向产业应用的价值：让机器人在进入现场前先获得面向真实环境的训练空间，进入现场后再将动作能力融入实际业务，并通过Astra与RSI实现自我进化。当场景能够被重建、交互能够被计算、策略能够被反复训练，机器人就有机会从完成单个动作，走向承担完整工作。