模型负责哪一层
在线逐步决策、提前写好控制代码、训练好的动作策略，各自代表不同的技术路线。
A NOTEBOOK FOR EMBODIED AGENTS
让智能，
成为动作。
从一次抓取，到一段自主探索。
用精彩的机器人演示，探索模型如何理解世界、组织动作，以及运用工具完成目标。
+
精选成果演示 · 有趣的技术路线
在线 Agent、学习策略、生成代码，分别解读。
FEATURED EXPERIMENT01 / MANIPULATION
ASTRA × MemS
目标变了，重新找到它。
正在载入实验记录…
录像以仿真帧率播放，省略模型等待时间。
EXPLORING EMBODIED INTELLIGENCE.
从精彩动作，找到有趣的方法。
正在读取实验…
THE COLLECTION / 持续更新
走进实验现场.
聚焦机器人与物理控制，保留抽象导航与规则学习作为方法参考。
正在载入…
↗
这个组合还没有收录实验。
换一条路线，继续探索已有的真实轨迹。
UNDERSTAND THE METHOD
看见动作。
也读懂方法。
这里精选已经做出成果的演示。跟随一次真实执行，理解模型、工具和机器人如何配合。
一次目标如何变成动作
看模型如何运用运动规划、空间记忆、视觉反馈与已有技能，让机器人完成一个具体目标。
这段演示做成了什么
每个项目用具体行为解释成果，同时标明使用的感知输入、执行工具和仿真条件。
DIFFERENT WAYS TO MOVE
同一个物理世界，不同的解题方式。
01 / AGENT + PLANNER
想好，再交给规划器。
语言模型选择末端目标；IK 与路径规划将目标转换为关节运动。执行反馈回到 Agent，形成闭环。
场景状态 → Agent → IK / 规划 → 执行
02 / VISION TO ACTION
从观察，直接走向动作。
视觉 Agent 逐次决定动作；VLA 则通过已学习的策略输出动作序列。两者的输入与训练条件分别记录。
图像 / 状态 → 模型 → 动作 → 新观察
03 / FEEDBACK CONTROL
从反馈中保持稳定。
LQR 与官方脚本展示经典控制和明确动作结构，帮助理解上层智能与底层执行的分工。
状态 → 控制器 → 动作 → 新状态