受益于高质量演示数据集的扩大，以及对Figure自研的Helix神经网络的视觉电机战术（visuo-motor policy）进行架构改进，机械人在高速工作负载下的不变性得以长足发展。 将前后两次视频对比，物流工作显著扩大至更多状态的包裹，除了尺度的硬纸盒，此刻还能够处置聚乙烯袋、信封和其它可折叠、皱缩或弯曲的物品。 针对分歧状态包裹，Helix采取即时调整抓取战术解决，例如际遇纸盒就双手高低一翻，际遇信封则一只手扶住，另一只手轻轻捏住边缘翻转。 值妥贴心的是，机械人还会轻轻拍打塑料包装以抚平起皱的货物条形码，这是机械人自己从演示中进建到的自适应行为，侧面凸显出端到端进建的优势。 尝试批注，增长训练数据能够显著提高吞吐量和正确性，在10到60幼时中，包裹的均匀处置速度约为4.05s，吞吐量提高了58%，条形码成功率也从88.2%升至94.4%。 钻研团队对Helix的视觉电机战术的架构进行了针对性改进，引入了新的内存和传感？，能更好地援手机械人感知环境变动。 例如，在初始摄像机图像中没有齐全显示标签，Helix就能够挪用前一时刻的图像帧，并节造手部将包裹旋转至标签可见的影象角度。 首先会观察当前状态（手、躯干和头部）并输出一幼段活动轨迹，反复沉新观察屡次后，再将全数状态归并输入，以确保？榧涞穆叫。 由于状态汗青纪录保留了高低文，即便沉新规划或面对滋扰，机械人仍能维持稳重，例如当包裹抓取失败时，Helix会以最幼的延长迅速纠正活动，显著缩短了处置功夫。 为了赋予Helix触感，机械人施加在环境和指标上的力，被反馈送至神经网络状态输入中，以援手机械人动态调整活动过程，例如当它检测到与传送带接触时，会暂停向下持续活动。 无需单独的法式或模式开关，仅通过神经网络的视觉调节，倒鼐在一旁的人类伸出手，机械人就会自动认定这是交出物品的提醒，并将包裹递交给人类而不是传送带。