当前位置: 首页 > news >正文

跨维智能:全新一代人形机器人 DexForce W1 Pro

2025 年 7 月 22 日,跨维智能正式发布全新一代人形机器人 DexForce W1 Pro,作为今年1月推出的 W1 的迭代升级款,该产品在性能与功能上实现了全面进阶。

DexForce W1 Pro 融合了具身平台X-Wiz提供的模块化多层次开发接口,并借助具身智能开发平台EmbodiChain赋予的强大数据扩增与生成能力,能够在真实场景的作业需求牵引下,自主完成高精度、高稳定性的机器人任务。

DexForce W1 Pro 在多个关键维度实现了升级,具体提升点如下:

1)感知系统:

—— 集成在头部的自研纯视觉双目摄像头升级:帧率从初代15Hz 提升至60Hz;双目标定误差控制在±0.05像素以内,立体匹配精度达亚像素级( ≤0.1像素),较初代提升40%。

可实时输出稠密点云与深度图,对物体三维轮廓的还原误差 ≤1mm,较初代提升25%。双目拍照同步性能 20us 以内,工业级同步水准。视场角优化至水平 90°、垂直 60° 的视野范围。

—— 配合腕部近距离操作相机(FOV 87° × 58°,工作距离 7-50cm)与底盘前后深度相机(工作距离0.2-2.5m ),构建全域感知网络,为纯视觉抓取、动态场景理解等任务提供高精度数据输入。

2)双臂运动性

双臂工作空间及可达性扩展75%,可实现更复杂的交叉操作与狭小空间避障。结合视觉系统,重复定位精度提升至 ≤0.5mm,机械手可按需选配 6 自由度灵巧手和二指夹爪。

此外,W1 Pro 引入“自动手眼标定”功能,可时刻感知自己的状态,并在需要调整的时候快速自主的完成“手眼标定”,有效避免因长时间运行导致的手臂操作精度下降的问题。

3)软件升维

跨维智能首次推出开源具身智能开发平台——EmbodiChain,一个专为解决具身智能模型训练数据稀缺问题而生的强大工具集。

依托跨维 DexVerse™ 统一技术底座的驱动,EmbodiChain 将“昂贵、低效”的真实数据采集升级为“低成本、大规模、可扩展”的机器人双臂操作技能数据管线,支持离线与在线两种数据模式。

a.强大的数据引擎:EmbodiChain 的数据引擎将会包括大量场景相关数据生成,Real2Sim 的数据轨迹映射,大规模多数据模态扩增。

b.高效的模型训练:平台内置的 Sim2Real VLA 基础模型,其性能与覆盖范围经过持续优化,预训练数据已覆盖多种典型操作任务。

为了满足不同开发者的差异化需求,除了DexForce W1 Pro,跨维智能还推出了无底盘功能的 DexForce W1 Core 版本。两者核心差异在于底盘配置,而腿部以上的感知系统、执行系统、控制核心与软件平台完全一致:

•  W1-Pro:可选配差速/全向移动底盘,全身具备 34/40 个自由度。

•  W1-Core:保留腿部以上核心模块(双臂、躯干、头部),整体专注于原地作业的应用场景。

目前,DexForce W1 Pro 版与 Core 版已同步开启预售,并将在即将到来的 WAIC世界人工智能大会上首次线下亮相。

http://www.lryc.cn/news/595912.html

相关文章:

  • 大模型后训练——DPO实践
  • Mosaic数据增强介绍
  • 使用ubuntu:20.04和ubuntu:jammy构建secretflow环境
  • android模拟器手机打开本地网页
  • Tailwind CSS快速上手 Tailwind CSS的安装、配置、使用
  • J2EE模式---拦截过滤器模式
  • Vite:下一代前端构建工具的革命
  • C语言---VSCODE的C语言环境搭建
  • RISC-V基金会Datacenter SIG月会圆满举办,探讨RAS、PMU性能分析实践和经验
  • vs2017 c++ 使用sqlite3数据库
  • 末日期权的双买和单买策略区别是什么?
  • 双向链表详解及实现
  • C++_Hello算法_队列
  • 基于Java+MySQL实现(Web)文件共享管理系统(仿照百度文库)
  • 188粉福
  • Spring快速整合Mybatis
  • 技术与情感交织的一生 (十)
  • nodejs:告别全局安装,npx 命令详解及其与 npm 的区别
  • 从零开始学CTF(第二十五期)
  • Gitlab-CI实现组件自动推送
  • n8n - 为技术团队提供安全的自动化工作流
  • 基于Kubernetes的微服务CI/CD:Jenkins Pipeline全流程实践
  • 知识库搭建之Meilisearch‘s 搜索引擎 测评-东方仙盟测评师
  • STL学习(一、string容器)
  • 暑假算法训练.6
  • 深入浅出Python函数:参数传递、作用域与案例详解
  • 根据数据,判断神经网络所需的最小参数量
  • 设计模式七:抽象工厂模式(Abstract Factory Pattern)
  • 【Linux内核模块】模块声明与描述
  • 【RK3576】【Android14】MIC开发调试