受益于高质量演示数据集的扩展，以及对Figure自研的Helix神经网络的视觉电机策略（visuo-motor policy）进行架构改进，机器人在高速工作负载下的稳定性得以长足发展。 将前后两次视频对比，物流任务明显扩展至更多形态的包裹，除了标准的硬纸盒，现在还可以处理聚乙烯袋、信封和其它可折叠、皱缩或弯曲的物品。 针对不同形态包裹，Helix采取即时调整抓取策略解决，例如碰到纸盒就双手上下一翻，碰到信封则一只手扶。硪恢皇智崆崮笞”咴捣。 值得注意的是，机器人还会轻轻拍打塑料包装以抚平起皱的货物条形码，这是机器人自己从演示中学习到的自适应行为，侧面凸显出端到端学习的优势。 实验表明，增加训练数据可以显著提高吞吐量和准确性，在10到60小时中，包裹的平均处理速度约为4.05s，吞吐量提高了58%，条形码成功率也从88.2%升至94.4%。 研究团队对Helix的视觉电机策略的架构进行了针对性改进，引入了新的内存和传感？椋芨玫匕镏魅烁兄肪潮浠。 例如，在初始摄像机图像中没有完全显示标签，Helix就可以调用前一时刻的图像。⒖刂剖植拷帘昵┛杉募且浣嵌。 首先会观察当前状态（手、躯干和头部）并输出一小段运动轨迹，反复重新观察多次后，再将全部状态合并输入，以确保？榧涞牧。 由于状态历史记录保留了上下文，即使重新规划或面对干扰，机器人仍能保持稳健，例如当包裹抓取失败时，Helix会以最小的延迟迅速纠正运动，显著缩短了处理时间。 为了赋予Helix触感，机器人施加在环境和目标上的力，被反馈送至神经网络状态输入中，以帮助机器人动态调整运动过程，例如当它检测到与传送带接触时，会暂停向下继续运动。 无需单独的程序或模式开关，仅通过神经网络的视觉调节，当站在一旁的人类伸出手，机器人就会自动认定这是交出物品的提示，并将包裹递交给人类而不是传送带。