在具身智能和机器人操作实验室中，往往会选择固定的setting进行实验。但在现实环境中，实现机器人的空间泛化，以应对多样化的物体位置和复杂的场景布置，一直是个艰难的挑战。

近日，来自清华和NUS的团队，发现了具身智能空间泛化Scaling Law。在此基础上，提出了一个创新的机器人操作算法框架ManiBox。其中，清华大学计算机系TSAIL实验室博士生谭恒楷为论文一作。

ManiBox深入探索了具身智能的空间泛化性 Scaling Law，并通过大量模拟器数据和Bounding Box这样的视觉低维特征引导，成功实现了空间泛化、背景泛化和物体泛化的抓取任务，能够从固定点到34440cm³最大操作空间范围的高效覆盖，抓取成功率高达90%。

此外，ManiBox 不仅能够完成常规抓取，还扩展到更复杂的任务，如倒水，抓取杯子把手，杂乱桌面抓取等等精细操作场景，展现了出色的 Sim2Real 能力。更为引人注目的是，用户只需输入一个物体的prompt，ManiBox 即可自动执行对应物体的抓取、倾倒等操作，显著提升了机器人操作任务的鲁棒性与灵活性。

1月16日晚7点，智猩猩邀请到论文一作、清华大学计算机系TSAIL实验室博士生谭恒楷参与「智猩猩新青年讲座具身智能专题」第19讲，以《探索具身智能空间泛化性的Scaling Law》为主题带来直播讲解。