家庭場景被視為人形機器人最具潛力的落地市場，但也是技術挑戰最大的考場。與工廠中結構化的流水線不同，家庭環境充滿隨機變數：桌面可能堆滿雜物，地面散落玩具，從冰箱取物需側身繞過椅子，擦桌子時需隨擦拭範圍不斷調整站位。這些看似平常的家務，對人形機器人而言卻構成巨大考驗。

近日，由南洋理工大學、北京大學、香港科技大學（廣州）和智源研究院聯合提出的ω-0——一款隱空間預測世界動作模型，為破解這一難題提供了新思路。輸入語言指令後，ω-0可同步識別環境、感知自身狀態，直接輸出底層控制系統可讀取的精簡動作特徵，支撐機器人完成“邊移動邊操作”的全身協同任務。

研發團隊對ω-0進行了全方位真機測評，選取11項高難度居家實操任務，重點考核動態協同、環境適配與自主決策能力，涵蓋跨區域物品收納、高低位雜物清理、床上衣物拾取等典型複合場景。實測結果顯示，ω-0 Ego第一視角任務成功率達79.1%，ω-0 Omni全場景模式成功率高達81.8%，全面超越了ω-0.5、EgoVLA、GR00T-N1.7等主流行業基線模型。

從“先走後做”到“邊走邊做”，是ω-0的核心突破。過去幾年，機器人的行走與操作能力各自取得長足進步，但部署到人形機器人時，多數系統採用“分步走”策略：先移動到目標附近站穩，再啟動手臂操作。這種模式在簡單場景尚可應付，一旦遇到連續作業的家庭任務便暴露弊端——擦大尺寸桌子時，機械臂伸到極限後必須邁步才能繼續，但邁步同時還要保持抹布貼住桌面；拖地時，拖把運動直接影響身體受力，雙腿必須隨手臂動作不斷調整重心。任何環節獨立決策，都可能造成動作卡頓、接觸中斷甚至失去平衡。

ω-0摒棄了耗時的影片到動作（video-to-action）逆向轉換，轉而構建統一的查詢表徵（Query-based Representation）架構。在這一架構中，未來視覺特徵提供任務進度和場景演變的宏觀指引，動作分支則直接生成可供底層控制器執行的全身動作潛在指令。

為適配真實居家場景的複雜需求，團隊搭建了三階段遞進式訓練體系：第一階段進行全身動作VLM專屬預訓練；第二階段借鑑V-JEPA技術思路，融合視覺、語言、機器人本體多維資料，通過影片查詢預判未來環境特徵，將場景動態變化資訊注入動作表徵體系；第三階段引入海量真實居家移動操作資料，進行真實場景精細化微調，讓機器人自主適配各類居家場景。

同時，為支撐龐大訓練需求，研究團隊開源了真實世界家庭人形機器人資料集ω-HOME，包含40.3小時真實環境資料、4827條任務軌跡、24項任務，每條軌跡均含同步採集的語言指令、第一視角與第三視角、本體狀態、全身運動軌跡等資料，降低了下游任務訓練對示範資料的依賴。

81.8%的成功率是一個令人振奮的數字，但距離真正融入家庭、長期自主執行的機器人仍有很長的路要走。不過，ω-0為行業指明瞭一個方向：將機器人的全身作為一個整體來思考，而非把腿和手當作各自為政的部門。當機器人學會在移動中操作、在操作中調整姿態，才可能從“實驗室演示”走向“生活化服務”。