家庭场景被视为人形机器人最具潜力的落地市场，但也是技术挑战最大的考场。与工厂中结构化的流水线不同，家庭环境充满随机变量：桌面可能堆满杂物，地面散落玩具，从冰箱取物需侧身绕过椅子，擦桌子时需随擦拭范围不断调整站位。这些看似平常的家务，对人形机器人而言却构成巨大考验。

近日，由南洋理工大学、北京大学、香港科技大学（广州）和智源研究院联合提出的ω-0——一款隐空间预测世界动作模型，为破解这一难题提供了新思路。输入语言指令后，ω-0可同步识别环境、感知自身状态，直接输出底层控制系统可读取的精简动作特征，支撑机器人完成“边移动边操作”的全身协同任务。

研发团队对ω-0进行了全方位真机测评，选取11项高难度居家实操任务，重点考核动态协同、环境适配与自主决策能力，涵盖跨区域物品收纳、高低位杂物清理、床上衣物拾取等典型复合场景。实测结果显示，ω-0 Ego第一视角任务成功率达79.1%，ω-0 Omni全场景模式成功率高达81.8%，全面超越了ω-0.5、EgoVLA、GR00T-N1.7等主流行业基线模型。

从“先走后做”到“边走边做”，是ω-0的核心突破。过去几年，机器人的行走与操作能力各自取得长足进步，但部署到人形机器人时，多数系统采用“分步走”策略：先移动到目标附近站稳，再启动手臂操作。这种模式在简单场景尚可应付，一旦遇到连续作业的家庭任务便暴露弊端——擦大尺寸桌子时，机械臂伸到极限后必须迈步才能继续，但迈步同时还要保持抹布贴住桌面；拖地时，拖把运动直接影响身体受力，双腿必须随手臂动作不断调整重心。任何环节独立决策，都可能造成动作卡顿、接触中断甚至失去平衡。

ω-0摒弃了耗时的视频到动作（video-to-action）逆向转换，转而构建统一的查询表征（Query-based Representation）架构。在这一架构中，未来视觉特征提供任务进度和场景演变的宏观指引，动作分支则直接生成可供底层控制器执行的全身动作潜在指令。

为适配真实居家场景的复杂需求，团队搭建了三阶段递进式训练体系：第一阶段进行全身动作VLM专属预训练；第二阶段借鉴V-JEPA技术思路，融合视觉、语言、机器人本体多维数据，通过视频查询预判未来环境特征，将场景动态变化信息注入动作表征体系；第三阶段引入海量真实居家移动操作数据，进行真实场景精细化微调，让机器人自主适配各类居家场景。

同时，为支撑庞大训练需求，研究团队开源了真实世界家庭人形机器人数据集ω-HOME，包含40.3小时真实环境数据、4827条任务轨迹、24项任务，每条轨迹均含同步采集的语言指令、第一视角与第三视角、本体状态、全身运动轨迹等数据，降低了下游任务训练对示范数据的依赖。

81.8%的成功率是一个令人振奋的数字，但距离真正融入家庭、长期自主运行的机器人仍有很长的路要走。不过，ω-0为行业指明了一个方向：将机器人的全身作为一个整体来思考，而非把腿和手当作各自为政的部门。当机器人学会在移动中操作、在操作中调整姿态，才可能从“实验室演示”走向“生活化服务”。