作者｜Chester

原創首發｜藍字計劃

當機器人進廠打工開始司空見慣，行業開始講起了新的故事。

只是這一次，方向又回到了家務。

被譽為全球機器人學界"奧林匹克"的ICRA 2026（IEEE國際機器人與自動化會議），今年首次推出了面向家庭場景的LeHome Challenge家務競賽。

比賽的主題不是掃地，不是做飯，甚至不是洗衣服，而是疊衣服。參賽隊伍需要操控SO101雙臂機器人，將不同類型的衣物完成折疊。

在這場角逐中，一支不太一樣的隊伍闖入了仿真賽階段決賽，成為該階段唯一的中國隊伍。

這支隊伍由今年初在港股上市的智譜的具身智能團隊，與招商局旗下的獅子山人工智能實驗室聯合組成。

說它"不太一樣"，是因為獅子山的重心并沒有放在機器人上。

這家2024年9月才在香港科學園掛牌的實驗室，背靠百年央企招商局集團，港深兩地團隊超過百人，卻不聚焦機械臂或靈巧手。

他們最得意的產品，是一套名為LiOS的端云協同系統，目的是讓機器人在訓練、試錯和執行中不斷積累經驗，再把這些經驗變成更多機器人都能調用的能力。

最終的目的是，讓機器人更快地學會新技能，并把技能復制到不同機器人身上。

但是，帶著這樣一套系統去參加疊衣服比賽，獅子山到底想驗證什么？

要回答這個問題，得先理解一件事：疊衣服，對機器人來說到底難在哪。

家務機器人，從疊衣服開始？

對于機器人來說，疊衣服遠比掃地擦桌子難得多。

在機器人領域，衣服屬于典型的"柔性物體"。與箱子、水杯、螺絲刀這些擁有固定形狀的物體不同，衣服會隨著重力、摩擦力和材質變化不斷變形。

同樣一件T恤，從洗衣籃里拿出來時，可能是皺成一團，也可能是半展開狀態，每一次出現的形態都不完全相同。

這意味著，機器人無法依賴一套預設的標準流程，每一件衣服都要求它重新判斷、重新規劃。

它首先要識別衣服的邊緣和朝向，判斷哪里是領口、哪里是袖子；隨后還要控制雙手以合適的力度將衣服展開、拉平，再按照正確順序完成折疊和碼放。

只要其中任何一個環節出現偏差，后續動作就可能全部失敗。

對于今天的機器人來說，這就是感知、決策和靈巧操作能力的一次綜合考試。

一方面，機器人需要在褶皺、遮擋、光照變化的情況下準確理解衣物狀態；另一方面，它還必須具備極其精細的力控能力：抓得太輕，衣服會滑落；抓得太重，又可能拉扯變形。

更困難的是，不同衣物之間幾乎不存在統一解法：薄T恤、襯衫、衛衣、牛仔褲都有完全不同的折疊方式，機器人很難依靠一套固定動作完成所有任務。

因此，國內外幾乎所有頭部機器人團隊，都把疊衣服作為展示能力的重要項目：

在美國，Figure AI展示過人形機器人自主完成衣物折疊，被譽為機器人界"OpenAI"的Physical Intelligence發布的pi0模型，則能夠從洗衣機中取出雜亂衣物并進行整理。

在國內，優必選、千尋智能、梅卡曼德等機器人企業，也都陸續公開演示過衣物抓取、整理和折疊任務。

而在國內的機器人賽事中，疊衣服也同樣成為了重要項目：2025年第二屆中關村具身智能機器人應用大賽，上海張江國際人形機器人技能大賽，都把疊衣服等家務納入重點項目。

但對于獅子山來說，參加這場比賽，真正想回答的，實際上是另一個更加宏大的問題。

讓更多機器人學會疊衣服

如果一臺機器人在仿真環境中學會了疊T恤，這個能力能不能在不重新訓練一遍的前提下，遷移到另一臺機器人、另一個場景、另一種衣物上？

獅子山對這個問題的回答是，是讓疊衣服這樣的技能變成一種可以被規模化復制的能力。

這個愿景聽上去符合直覺，但落地極難。

機器人在仿真環境里能夠完成的動作，到了真實環境中往往會因為光照變化、物體擺放差異、摩擦力、靜電、布料材質乃至空氣流動等因素出現失誤。

這也是困擾整個具身智能行業的經典難題，而獅子山的LiOS，就是為了解決這個難題而造的。

LiOS的做法是把這道鴻溝拆解成一個可以持續迭代的閉環：

首先，機器人在仿真環境中學習如何識別、抓取和折疊不同類型的衣物；

然后，當真實機器人執行任務出現失敗時，相關數據又會回傳至云端，重新參與模型訓練和優化。

簡而言之，就是機器人做對的，吸取經驗；做錯的，也吸取教訓；吸取足夠多的經驗之后，系統再將這份經驗通過云端，教給更多的機器人。

為了支撐從仿真到真機的完整流程，LiOS覆蓋了數據管理、模型訓練、端云協同和部署運行等多個環節，試圖為機器人的技能學習提供一套完整的底層工具鏈。

在LeHome Challenge的仿真賽階段，實驗室團隊圍繞抓取點偏移、展開不足、邊緣未對齊、折疊錯位等典型失敗模式不斷擴展訓練數據，并通過分布式并行訓練將模型迭代效率提升了數倍。

最終，系統展示了對短袖、長袖以及褲裝等不同類型衣物的處理能力，順利進入決賽圈。

實驗室還構建了LeFold柔性物體操作數據集，并在HuggingFace上逐步開源，為機器人學習布料操作提供更多訓練樣本。

不過，仿真階段的表現還不能說明全部問題。當策略被部署到SO101實體機器人后，虛實遷移的核心鴻溝開始顯現：

打印件的剛性偏差、裝配精度不足、夾爪抓取不穩，再加上真實衣物的褶皺堆疊和隨機朝向，仿真中穩定的動作在真機上出現了明顯的質量下降。

目前，實驗室尚未公開真機環節的具體成功率數據，也沒有與其他參賽隊伍的橫向對比可供參考。

好在，仿真到真實的鴻溝并非獅子山獨有的問題，幾乎所有采用sim-to-real路線的團隊都面臨類似挑戰。

但對于LiOS這套以"技能遷移"為核心賣點的系統來說，真機環節的穩定性恰恰是它最需要證明自己的地方。

一旦遷移過來的技能在現實中大打折扣，"讓更多機器人學會"的愿景就很難成立。

而且現實對LiOS的考驗遠不止一場比賽。

因為在他們的設想中，這套覆蓋訓練、遷移、部署全流程的系統，最終要成為行業共用的基礎設施。

疊好衣服只是起點

在LiOS成為行業通用的基礎設施之前，一個現實的問題是：這條圍繞LiOS展開的路線，在產業里走得通嗎？

獅子山也做硬件。實驗室自研的"靈衛"智能巡檢四足機器人，目前已經在物業、樓宇等場景展開試點應用。

但放在獅子山的整體布局里，"靈衛"更像是一個真實場景中的驗證入口。

相比家庭里的疊衣服、收納整理，巡檢任務的邊界要清楚得多：

走哪些路線、看哪些設備、識別哪些異常，流程更標準，需求也更明確。更重要的是，物業、樓宇、園區這類B端場景有清晰的付費主體，也更容易先形成商業閉環。

畢竟，一套機器人學習系統，不能只停留在比賽和實驗室里。它最終要面對的，是光照變化、路線變化、設備差異、環境噪聲，以及真實客戶對穩定性的要求。

對獅子山來說，巡檢場景的價值在于提供一個更可控的真實環境，讓機器人持續運行、持續產生數據，再反過來驗證LiOS的訓練、遷移和部署能力。

這和疊衣服比賽其實是一條主線上的兩件事。

在LeHome Challenge里，獅子山要驗證的是：機器人能不能把仿真中學到的衣物操作能力遷移到真實機器上。

到了物業、樓宇、園區等場景里，它要驗證的則是：一套端云協同系統，能不能支撐機器人在真實業務中長期穩定運行。前者考驗技能遷移，后者考驗產業落地。

但這也是獅子山的煩惱所在。

如LiOS要成為行業共用的基礎設施，僅靠獅子山自己的機器人閉環還不夠。它需要更多外部機器人廠商、場景方、開發者愿意接入，在這套系統上訓練、部署和迭代自己的機器人能力。

目前，獅子山尚未披露LiOS在體系之外的大規模接入情況。這套系統已經在比賽和自有場景里展示了想象空間，但它能不能真正變成行業底座，還需要更多伙伴和更多真實項目來驗證。

這也是"做基礎設施"這條路最慢、也最難的地方。

相比推出一臺機器人，基礎設施很難在短時間內制造爆點。端云協同、數據閉環、模型泛化、跨平臺部署，這些能力都需要長期投入，也需要在一次次真實任務中積累。

而當下，整個具身智能行業仍處于早期階段。無論是柔性物體操作成功率、復雜環境下的穩定性，還是整體部署成本，都距離大規模普及存在不小差距。

不過，每一次技術浪潮背后，都需要有人造產品，也需要有人搭底座。

如果說很多機器人公司正在努力造出更聰明、更靈活的機器人，那么像招商局獅子山人工智能實驗室這樣的參與者，想回答的是另一個問題：

當未來有成千上萬臺機器人進入工廠、園區甚至家庭時，它們該如何學習新技能，又該如何把這些技能穩定地復制到更多機器身上。

所以，對獅子山來說，疊好一件衣服只是一個起點。