機器人終于懂家務了！伯克利MomaGraph讓機器人像人一樣做家務

想象這樣一個日常畫面：你吩咐家用機器人「燒壺開水」，它卻當場卡殼——水壺在哪？該接自來水還是過濾水？先插電還是先按開關？水開了又該如何判斷？這些對人類而言像呼吸一樣自然的家務，對過去的機器人卻是大大的難題：要么忘了插電，要么找不到水壺，甚至會把柜門把手錯當成開關一通亂按。

最近，加州伯克利和馬里蘭大學聯手推出的MomaGraph 技術，就是要讓機器人徹底告別這種「做家務的人工智障」時刻。這套算法不僅能讓機器人真正理解「做事的先后順序」，更在星動紀元星動 Q5 上成功完成了開柜子、開微波爐、開電視、關燈等真實家務。

• 論文名稱：MOMAGRAPH: STATE-AWARE UNIFIED SCENE GRAPHS WITH VISION–LANGUAGE MODEL FOR EMBODIED TASK PLANNING
• 論文地址：https://arxiv.org/pdf/2512.16909

一、研究背景：

家用機器人做不好家務的「三大卡點」

家用移動操作機器人（比如幫你開窗戶、熱牛奶的機器人）需要同時「看路」（導航）和「動手」（操作），但過去的技術一直存在三個關鍵問題卡點，導致機器人「做不好家務」：

卡點 1：只知「在哪」，不知「咋用」

比如機器人要開窗戶，傳統技術可能只知道「窗戶在書桌右邊」（空間關系），但不知道「窗戶把手能控制開關」（功能關系）——就像你知道手機在口袋里，卻不知道按電源鍵能開機，自然用不了手機。

卡點 2：只認「圖片」，不認「變化」

傳統模型會把場景當成靜態圖片，比如機器人轉了窗戶把手后，模型還以為「窗戶沒動」，不知道狀態已經從「鎖著」變成「待打開」；就像你關了燈，卻還以為燈是亮的，后續行動規劃肯定會出錯。

卡點 3：只想「步驟」，不想「前提」

過去的 AI（比如 GPT-5）會直接從圖片里「想步驟」，比如讓它「燒開水」，可能會說「裝水 → 加熱」，卻漏掉「插電源」這個關鍵前提；而人做這件事時，一定會先確認「水壺能通電」，再規劃步驟。

二、突破思路：

給機器人畫一張「任務說明書」

研究團隊的核心想法很簡單：讓機器人先畫一張「任務導向的場景圖」，再按圖規劃任務執行步驟，這就是「Graph-then-Plan」（先圖后規劃）思路，而這張圖就是「MomaGraph」。

這張圖到底特殊在哪？舉個「開窗戶」的例子：

• 統一空間 + 功能：圖里會同時寫「把手在窗戶右側」（空間）和「把手能控制窗戶開關」（功能）；
• 動態更新狀態：機器人轉了把手后，圖會從「把手未旋轉 → 窗戶鎖著」更新為「把手已旋轉 → 窗戶待打開」；
• 緊扣任務需求：只保留和「開窗戶」相關的信息（比如忽略窗戶上的貼紙），不做無用功。

簡單說，傳統模型是「看到圖片直接猜步驟」，而 MomaGraph 是「先搞清楚『有什么、怎么用、狀態如何』，再一步步規劃」——就像你做飯前會先看「冰箱有雞蛋、鍋能加熱」，再想「打雞蛋 → 開火 → 煎蛋」，而不是直接拿鍋就燒。

三、研究方法：

從「數據」到「機器人」的全鏈條方案

要讓 MomaGraph 落地，研究團隊搭建了「數據集 - 模型 - 基準 - 真實機器人」的完整體系，其中星動紀元輪式人形機器人星動 Q5 成為了「把技術從實驗室變實用」的核心硬件。

第一步：建「訓練素材庫」——MomaGraph-Scenes 數據集

要教機器人「懂家務」，得先給它看足夠多的「家務樣本」。團隊收集了：

• 6278 張多視角家庭照片（比如從正面、側面拍柜子、微波爐）；
• 1050 個「任務場景圖」（比如「開微波爐」的圖里，標注了「微波爐把手在正面」「把手能開門」）；
• 覆蓋 350+ 家庭場景、93 種任務（開窗戶、燒開水、開電視等）。

這些數據就像機器人的「家務課本」，讓它知道不同場景下「物體該怎么用」。

第二步：訓「聰明大腦」——MomaGraph-R1 模型

團隊用 70 億參數的視覺語言模型（VL 模型，基于 Qwen-2.5-VL-7B），通過強化學習訓練出 MomaGraph-R1：

• 訓練邏輯：模型生成場景圖后，系統會按「三個標準」打分（獎勵）：步驟對不對？有沒有漏物體？空間/功能關系準不準？比如生成「水壺插電才能加熱」就加分，漏了「插電」就扣分；
• 核心能力：能根據任務生成「精簡有用」的場景圖，比如「找遙控器開電視」時，會重點標注「遙控器在沙發上」「遙控器能控制電視」，忽略沙發顏色這類無關信息。

第三步：測「能力高低」——MomaGraph-Bench 基準

為了判斷機器人「學沒學會」，團隊設計了 6 種能力測試（比如「步驟對不對」「能不能找對物體」「知不知道操作后會發生什么」），覆蓋從簡單（開柜子）到復雜（燒開水）4 個難度等級，確保測試結果真實可信。

關鍵一步：真實機器人落地——星動紀元 Q5 的硬件優勢

再好的「大腦」也需要「手腳」來執行，研究團隊選擇星動紀元星動 Q5 輪式人形機器人做真實場景測試，這款硬件的優勢直接幫 MomaGraph 發揮出最佳效果：

• 雙臂 + 移動底座：能「走」到不同房間（比如從客廳到廚房），還能「動手」精準操作——開柜子時，雙臂能穩定抓住把手并拉動；開微波爐時，能控制力度避免損壞；
• 多視角相機（Intel RealSense D455）：能拍物體的多個角度（比如從上方看水壺、從側面看插座），幫模型獲取準確的空間信息，避免「認錯位置」（比如不會把柜子把手當成開關）；
• 適應家庭場景：硬件尺寸適合家庭環境（不會撞壞家具），雙臂力度可控（不會捏碎杯子），完美匹配「家務任務」的需求。

比如測試「開柜子」時，星動 Q5 的相機先拍柜子和把手的多視角圖，MomaGraph-R1 根據圖片生成「把手在柜子正面、能開柜子」的場景圖，再規劃「靠近柜子 → 抓把手 → 拉柜子」的步驟，Q5 的雙臂精準執行，成功率遠超傳統機器人。

四、研究結論：

機器人「做家務」的能力大幅提升

從基準測試到真實機器人實驗，MomaGraph 交出了亮眼的成績，核心結論可以總結為三點：

「先畫圖再規劃」遠勝「直接猜步驟」

在 MomaGraph-Bench 基準測試中，MomaGraph-R1 的準確率達到 71.6%，比目前最好的開源模型（比如 LLaVA-OneVision）高 11.4%；而像 GPT-5 這樣的閉源大模型，常會漏關鍵步驟（比如燒開水沒提「插電源」），MomaGraph-R1 卻能 100% 覆蓋前提步驟——因為它先畫了「水壺需要插電」的場景圖，再規劃步驟。

「空間 + 功能」一起看，比單獨看更準

實驗對比了「只看空間關系」、「只看功能關系」、「兩者都看」的效果：MomaGraph-R1（統一版）在復雜任務（Tier 4）的準確率是 68.1%，而「只看功能」的版本只有 59.0%，「只看空間」的版本更低只有 45.4%。這說明：機器人既要知道「東西在哪」，也要知道「東西怎么用」，才能做好家務等任務的執行。

在真實機器人上能落地，還能處理復雜任務

團隊用星動紀元星動 Q5 測試了 4 個常見任務：開柜子、開微波爐、開電視、關燈，全部成功；更難的「長任務」（「開燈 → 找遙控器 → 開顯示器」），10 次測試成功 7 次——而這個任務需要機器人「先解決照明（狀態影響可見性），再找遙控器（空間定位），最后開顯示器（功能控制）」，傳統機器人根本做不到。

此外，MomaGraph-R1 在視覺對應任務上也表現突出，在 BLINK 基準和 MomaGraph-Bench 的對應任務中，比最好的開源模型分別高出 3.8% 和 4.8%。

五、行業意義：

家用服務機器人離「進家門」又近了一步

MomaGraph 的價值，本質是解決了「機器人理解家庭場景」的核心難題：它讓機器人從「只會按固定程序做事」（比如只會重復「推窗戶」），變成「能根據場景靈活調整」（比如先看有沒有把手，再決定轉還是推）。

而星動紀元星動 Q5 這類執行硬件的參與，更證明了這項技術不僅僅適用于實驗室——仿人雙臂、移動底座、精準相機的組合，讓 MomaGraph 的「聰明大腦」有了可靠的「手腳」。未來，隨著技術優化，我們可能會看到：機器人能幫老人燒開水、整理柜子，甚至幫上班族準備早餐——家用服務機器人從「概念」走向「實用」，終于有了清晰的技術路徑。