DAXIAORobotics/kairos

解决的问题

Kairos 解决了当前具身 AI 世界模型的局限性，特别是视频生成与可执行机器人动作之间的差距。它克服了异构具身数据和弱长期推理的问题，使单一模型能够理解物理规律，生成合理的未来视觉状态，并在不同硬件平台上预测精确的机器人动作轨迹。

工作原理

Kairos 是一个基于 Mixture-of-Transformers 框架的 4B 参数原生跨具身世界模型。它利用跨具身数据课程（CEDC）从通用视频、人类行为和真实机器人交互中学习。为高效处理长时序建模，它采用混合线性时间记忆（结合滑动窗口、扩张滑动窗口和门控线性注意力）来维持持久的世界状态。这使得模型能够联合预测未来的视觉帧和可执行动作。

适用人群

本项目适用于需要在多种机器人平台（如 Agibot G1、Unitree G1 和 Songling PIPER）上实现零样本多任务泛化的具身 AI 和机器人领域的研究人员与开发者。

主要亮点

• 统一架构：将理解、生成和动作预测整合到一个智能循环中。
• 跨具身泛化：一个“大脑”可适用于单臂、双臂和灵巧手平台。
• 高效部署：针对低内存、高吞吐量的实时边缘推理进行了优化。
• 物理因果一致性：使用因果思维链（CoT）从简单命令执行逐步过渡到意图理解。