财湃新闻 云深处科技联合麻省理工学院、加州大学圣地亚哥分校、伊利诺伊大学、清华大学、浙江大学、香港科技大学、北京理工大学七所海内外高校，集中发布自研具身大脑DEEROBOTS BRAIN五项核心研究成果，完整打通具身智能全技术链路，为面向真实场景作业的具身智能体系搭建起覆盖核心技术环节的完整支撑框架。此次公布的五项成果并非零散的单点技术突破，而是围绕具身大脑体系开展的协同攻关，各模块之间环环相扣，共同构建出适配真实物理世界的具身智能技术版图。

核心技术模块覆盖全链路关键环节

　　本次发布的世界模型DRWM10在四足机器人领域的世界模型中首次引入摩擦力、粗糙度与刚度等物理特性，在传统基于视频生成的世界模型基础上加入经大规模训练的物理属性先验模块，让世界模型预测的未来画面不仅视觉真实，更完全符合物理规律，实现机器人动作的物理预演功能，相当于为机器人配备了行动前的“物理预演器”，提前预判不同行动路径的实际效果。

　　具身基础模型DRVLA20依托统一的具身基座架构，实现跨具身知识迁移能力，不同形态机器人在各类场景中积累的作业数据可以在模型内实现共通共享，大幅提升机器人对人类自然语言指令的理解精度，同时强化机器人完成精细操作任务的执行能力，有效缩短新形态机器人进入陌生场景的适应周期。

实用性能突破真实场景作业痛点

　　策略优化框架DRAO针对机器人导航任务的实际运行需求完成针对性优化，通过对路径规划、动态避障等核心算法的迭代升级，大幅提升各类复杂环境下导航任务的完成成功率，减少机器人在非结构化场景中出现路径偏差、任务中断的概率。

　　具身智能体DRAGE重点解决长期以来机器人领域普遍存在的记忆固化难题，支持机器人在持续作业过程中结合抵达时间完成时序推理、依靠视觉完成目标校验，能够根据不断积累的作业记忆动态优化自身行为策略，实现记忆体系的动态迭代与持续更新，完全适配长时间跨度下的长期自主作业需求。

大规模实测数据构建统一评测基准

　　数据闭环平台DRBENCHMARK产出了大规模户外轮足机器人数据集，所有数据均来自真实户外场景的实地采集，累计采集时长达到8336小时，累计行驶里程达到32947公里，依托海量真实作业数据搭建起具身智能领域的统一评测基准，为后续相关技术的迭代优化提供了扎实的实测数据支撑，推动整个具身智能领域的技术评测向真实作业场景对齐。