一、引言

在2026年开放原子开源生态大会上，OpenLoong技术特别兴趣小组（SIG）正式对外官宣。社区围绕教育实训、具身数据、类脑认知与大脑模型等11个核心方向组建了多个SIG组，作为具体技术攻坚与生态拓展的执行单元，标志着社区治理架构迈入更加规范化、专业化的新阶段。

OpenLoong正是为解决人形机器人开源项目在技术栈广深度、软硬件节奏差异、数据特殊性及参与者多样性等方面的难题而成立的全栈开源项目，并于2025年7月正式捐献给开放原子开源基金会，成为其孵化支持的重点项目之一。基于项目成立的OpenLoong开源社区目前已汇聚超2万名开发者，重点开源项目超过30个，总下载量达146万。面对这个规模的协作群体，我们选择了一套基于SIG的治理架构。

二、人形机器人开源面临的核心挑战

在讨论SIG架构之前，有必要厘清人形机器人开源项目到底难在哪里，而这些难点正是我们设计SIG治理架构的直接依据。

第一个难点是技术栈的广度和深度并存。人形机器人的开发至少涉及以下层次：芯片选型与驱动开发、实时通信中间件、多模态传感器融合、动力学建模与控制、任务决策与规划、仿真环境搭建、硬件结构设计与优化、整机系统集成。每一个层次本身就是一个细分学科，而各层次之间又存在强耦合——上层算法的性能高度依赖下层硬件的响应速度和精度，任何一个开源贡献者都很难跨多个层次同时做出有效贡献。

第二个难点是硬件与软件的开源节奏不同步。软件代码可以快速迭代、持续集成，但硬件图纸的修改、打样、测试周期以月甚至季度为单位。这导致硬件相关的SIG很难像纯软件SIG那样保持高频发布节奏，也增加了跨SIG协作的时间协调成本。

第三个难点是数据的特殊性。具身智能对真实交互数据的需求量极大，但采集高质量的多模态数据（尤其是触觉、力觉）需要昂贵的设备和复杂的流程。这类数据很难被单一团队长期独占，开源共享又面临格式统一、标注规范等问题。

第四个难点是参与者的多样性带来的管理复杂性。我们的贡献者来自高校、企业、个人开发者、研究机构，他们的诉求往往各不相同——高校看重论文产出和人才培养，企业关注技术落地和供应链对接，个人开发者则更在意学习和表达。一套治理架构需要同时满足这些多元期待，这正是SIG架构要回答的问题。

正是这些难题，催生了OpenLoong的SIG治理架构。

三、OpenLoong SIG治理架构的设计与运行

SIG（Special Interest Group）的概念在开源社区中并不陌生，Linux内核、Kubernetes等大型项目早已用这套模式来划分维护责任。但OpenLoong的特殊之处在于，我们面对的是一个软硬结合、多学科交叉的全新领域：不仅要管代码，还要管硬件图纸、数据集、仿真环境和芯片适配。软件领域的治理经验无法照搬，需要在开源协作与物理实体之间重新设计一套体系。

3.1 整体架构

我们采用“SIG组＋运营委员会＋基础设施委员会”的开放治理架构。SIG组是具体技术攻坚与生态拓展的执行单元，围绕11个核心方向组建，每个SIG设一名或多名maintainer，负责本组的技术路线制定和日常运营；运营委员会负责社区的整体运营策略、生态拓展和伙伴协同；基础设施委员会负责社区代码托管平台、持续集成、文档站点等技术基础设施的建设和维护。

在组织层面的分工之外，社区也为开发者个体提供了清晰的参与路径。贡献者从Contributor起步，逐步成长为Committer，最终成为Maintainer。在开源许可证的选择方面，社区针对软件、硬件、数据三类开源内容分别采用了差异化的许可协议——软件部分遵循Apache License 2.0，硬件图纸与设计资料采用SolderPad Hardware License，数据集则使用CC BY 4.0（Creative Commons Attribution 4.0），保障开发者的知识产权权益。

3.2 SIG的划分逻辑

11个SIG的划分依据是技术栈的自然边界——以数据流和控制流为主线，识别出各模块之间外部耦合度较低、内部内聚较强的区域，将其划为独立SIG。例如，芯片组SIG只需要向上提供标准化的驱动接口，中间件SIG只需要确保各模块之间的通信协议一致，两者之间没有强制的同步开发依赖，可以各自独立演进。

另一个划分原则是“人与事的匹配”。教育实训SIG的存在就是一个例子——它不直接产出核心算法或硬件，但承担了降低新人入门门槛的功能。这个SIG组的存在让其他SIG可以更专注地做技术，而不必分心于文档、教程和赛事组织。

3.3 跨SIG协作机制

SIG的独立不代表割裂。当一项任务涉及多个SIG时，社区层面的协调机制会介入——组织相关SIG的maintainer共同制定接口规范和里程碑节点，各组按规范推进，定期联合测试。运营委员会侧重战略与生态的统筹，技术层面的跨组协同则由独立的协调机制来承接。

RISC-V架构适配是这种协作模式的一个案例。这项工作涉及芯片模组SIG（底层驱动与指令集适配）、中间件SIG（ROS在RISC-V上的编译运行）、整机与系统SIG（本体侧的功能验证）以及Release SIG（整体打包发布）。四个SIG在社区协调机制下分工协作，最终实现了RISC-V架构人形机器人运控系统的真机落地。

四、OpenLoong  SIG组群的定位与职能

围绕人形机器人的全技术栈，我们组建了11个SIG组，覆盖从底层芯片到上层应用、从硬件本体到数字仿真的完整链路。这11个SIG组分别是：

负责赋予机器人“常识推理”能力、构建物理世界交互认知基座的类脑认知与大脑模型SIG组；负责构建机器人高频低延迟“运动本能层”的全身运动与小脑模型SIG组；负责维护开源数据集、数据采集方案及数采设备软件包适配的具身数据SIG组；负责定义训练与推理算力软硬件接口标准、制定开发平台工具链规范的智算平台SIG组；负责研究运动功能物理载体与底层驱动单元、追求单体性能极致与标准化接口的肢体与组件SIG组；负责研究组件组合后涌现特性、关注全局最优与系统稳定性的整机与系统SIG组；负责整合感知模组与连接模组、定义多传感器时空同步校准标准的多模态感知SIG组；负责整合芯片模组、定义端侧芯片算力分级与能效比测评规则的芯片模组SIG组；负责机器人中间件通信框架标准化、解决大脑与肢体软硬解耦的中间件SIG组；聚焦设计与仿真平台接口、研究Sim2Real迁移精度标准与APP跨平台兼容性的数字仿真SIG组；负责人形机器人教育平台、课程与教具设计维护的教育实训SIG组。

下面重点介绍几个具有代表性的SIG组。

全身运动与小脑模型SIG

全身运动与小脑模型SIG的核心任务是构建机器人高频、低延迟的“运动本能层”，打通底层关节驱动与顶层运动意图之间的通路，赋予机器人动态平衡能力与抗干扰本能。在OpenLoong的四级控制体系（大脑、小脑、中枢、末梢）中，该SIG对应“小脑”层级，负责将上层“大脑”的语义级任务指令转译为实时的关节级控制指令。该SIG已开源了核心的全身动力学控制软件系统。

该系统基于MPC（模型预测控制）与WBC（全身控制）构建，采用分层模块化设计。MPC负责前瞻性的规划，WBC则基于全身动力学模型将规划结果映射为各关节的力矩指令，并实现全身多任务的协同。代码遵循“读-计算-写”的简单逻辑，降低了二次开发的门槛。

该SIG以全尺寸开源公版机“青龙”为参考平台——青龙身高1.85米、自重82公斤、全身43个主动自由度。目前，实物原型已成功实现行走与盲踩障碍物，软件包还提供了键盘控制示例，允许开发者通过键盘控制机器人移动和转向。这些开源资源共同构成了社区其他SIG进行算法验证与二次开发的技术底座。

具身数据SIG

具身数据SIG负责管理和维护多个开源数据集、数据采集方案及数采设备软件包的适配。真实物理交互数据是具身智能最大的瓶颈之一——机器人普遍面临“看得见却做不好”的困境，根源在于真实物理交互数据的长期缺位。该SIG正是围绕这一核心瓶颈展开工作。

2025年5月29日，国地中心上线了首个版本的“白虎”数据集。“白虎”数据集是全球首个规模突破百万量级的异构机器人数据集，其数据源自真实应用场景，全面覆盖多种全尺寸人形机器人、类人形轮式机器人以及机械臂等异构平台。该版本数据集已通过中国信息通信研究院组织的具身智能数据集质量评估，获得国内首份《具身智能数据集质量评估证书》。作为面向开源社区迈出的第一步，该版本聚焦四款主流机器人本体（青龙、智元A2D、傅利叶GR2、乐聚夸父）和两类典型末端类型（夹爪与灵巧手），首批开放10万余条高质量任务数据。

数据样本覆盖工业制造、家居家政、餐饮服务、商超药店和通用抓取放置五大真实场景，合计30余类高频任务类型。该数据集被定位为全球首个规模突破百万量级的异构机器人数据集，未来将持续逐步开放，预计最终累计开源超百万条数据。

在此基础上，2026年1月26日，该SIG联合国家地方共建人形机器人创新中心与上海纬钛科技有限公司，发布了进阶版本——全球首个跨本体视触觉多模态数据集“白虎-VTouch”。相比“白虎”数据集原有的异构多机器人数据，“白虎-VTouch”在此基础上前进了一步：在视觉与位姿数据之外，额外引入了视触觉传感模态，使数据集从“多机器人异构数据”升级为“视触觉多模态数据”。数据集总规模超过60,000分钟，首批6,000分钟数据已在OpenLoong开源社区和AtomGit平台同步开放下载。

数据集包含视触觉传感器数据、RGB-D数据、关节位姿数据等多模态信息，涵盖轮臂机器人（D-Wheel）、双足人形“青龙”及手持智能终端等多种本体构型。其中，视触觉传感器支持最高640×480分辨率与120Hz刷新率，包含视触觉接触图像约9,072万对真实物体接触样本。

在任务构建上，该SIG突破了传统“单任务人工采集”的低效模式，提出了“矩阵式”任务构建范式——以双臂协同结构、原子操作类型、接触与触觉模式为核心维度进行系统性交叉。基于这一逻辑，数据集覆盖家居家政、工业制造、餐饮服务与特殊作业四类场景，形成380余种任务类型、100余项原子技能、500余种真实物品的操作数据。在数据标注体系上，团队构建了跨层次交互理解具身标注体系，通过视觉、语言、动作与触觉的多模态语义联合建模与对齐，分三个层次组织：抽象思维层理解“为什么”，动作逻辑层明确“怎么做”，物理状态层感知“做什么”。

数字仿真SIG

数字仿真SIG聚焦具身智能虚实融合仿真与机器人强化学习前沿方向，研究方向包括机器人数字孪生、Sim2Real虚实迁移、多智能体对抗仿真、强化学习低代码开发框架、多类型物理引擎适配、具身智能仿真数据生成、多类型物理仿真引擎适配，以及具身智能仿真和测评的格式规范等核心领域。该SIG运营的仿真平台“格物”由国家地方共建人形机器人创新中心、上海大学、清华大学于2025年3月联合发布。平台基于Unity引擎与Gewu Playground框架构建，定位为面向具身智能的强化学习开发环境。

“格物”是国内外首个一键式具身智能仿真训练平台，独创“四维赋能体系”：一键训练——实现算法快速迭代；一键迁移——完成仿真到现实无缝迁移；多机复用——打破硬件生态壁垒；一机多脑——实现多样化运动智能。在技术实现上，“格物”围绕通用强化学习框架与模型自动化适配技术展开。平台创新性地引入前馈引导的强化学习技术与自适应课程学习算法，导入机器人URDF模型后可一键开启训练并生成运动策略。平台支持从机器人建模、环境构建、仿真验证到数据生成的一体化工作流程。目前，“格物”深度兼容全球百余款主流机器人的算法训练，代码已通过OpenLoong社区完全开源。由开放原子开源基金会主办、OpenLoong社区承办的仿真足球挑战赛，采用“仿真初赛+实机决赛”的两阶段赛制，参赛队伍在格物仿真环境中完成算法开发后，优胜者获得NanoLoong实体机器人进行现场对抗——直接检验了算法从仿真到真实硬件的完整迁移能力。

（此图片来自网络）

教育实训SIG

教育实训SIG负责人形机器人教育平台、课程、教具的设计和维护，是OpenLoong社区面向教育场景与人才培养的核心出口。依托OpenLoong开源社区，该SIG汇聚了多所高校及中小学科创课程专家，构建了覆盖全技术链的分层式课程体系。国地中心麒麟训练场已纳入该SIG的研学体系——训练场占地超5000平方米，可容纳近100台异构人形机器人同步实训，已接待研学人次超1000人。在赛事层面，社区推出了OpenLoong大师系列赛，设置“身外化身——动作捕捉与复刻大赛”和“寻宝猎人挑战赛”两个赛道，面向全社会开发者开放，以赛促研。

在教具层面，该SIG围绕不同学习阶段构建了从桌面级到全尺寸的完整教具矩阵。NanoLoong是OpenLoong开源机器人家族中的轻量级双足机器人平台，身高0.5米、体重10公斤、12个主动自由度，头部集成大语言模型实现智能交互。整机BOM成本约1.5万元，主体结构通过3D打印和碳板切割完成，基于强化学习框架提供开放的开发教程，涵盖仿真训练、Sim2Sim迁移及实物部署，硬件图纸、材料清单、控制代码及安装指南已在社区全面开源。

MiniLoong是NanoLoong的“进阶增强版”。它在保持相同核心算法框架（强化学习）和算力平台的基础上，通过增加身高、大幅提升自由度（从10到20）、实现了从“桌面级/小型教具”到“全尺寸互动/教育平台”的跨越。可动的手臂增强了机器人的可开发及表演属性。

目前，OpenLoong已形成覆盖NanoLoong、MiniLoong、Loong宝（即将开源）等多款形态的机器人教育家族——从桌面级入门到全尺寸科研，不同学习阶段的开发者都能找到适合自己的平台。

在课程方面，社区联合ROS开源社区古月居发布了开源具身智能机器人项目，涵盖双足机器人硬件、软件算法及配套开发者课程。课程体系采用“基础—进阶—高级应用”三层设计，覆盖从机械结构认知、运动学基础到复杂环境运动规划与系统集成的完整教学路径。通过NanoLoong和MiniLoong两款教具及分层课程体系的协同布局，教育实训SIG正在构建从桌面级教学到全尺寸科研的完整教育生态，覆盖“教-学-研-产”全链条的人才培养体系。

五、实践验证与初步成效

SIG架构的合理性最终需要在实际运行中检验。从几个关键指标来看，这套机制正在产生可观察的效果。

开发者规模是最直观的变化。截至2026年中，社区注册开发者已超过2万人，较2025年7月完成基金会捐赠时增长较大。社区访问量超20万，海内外平台总曝光达38万次。这一增长与SIG架构的逐步完善在时间上同步——从“协作开发”到“体系治理”的转变，降低了外部贡献者的参与门槛。

跨SIG协同的机制化运行是另一个可观察的成效。“格物”平台与“麒麟”训练场之间已形成稳定的协同关系——前者提供仿真训练环境，后者在张江占地超5000平方米的训练场内承载近100台异构机器人的真实场景实训，两者共同构成了从仿真到现实的完整验证链条。这类跨组协作的常态化，正是SIG架构区别于松散协作模式的核心差异所在。

在生态建设方面，SIG架构同样降低了产业链伙伴的参与门槛。社区已汇聚30余家产业链伙伴，覆盖整机厂商、核心部件供应商、芯片设计企业、云服务提供商、高校及科研机构等多元角色——无论是行业头部企业还是初创团队，都能在OpenLoong的SIG体系中找到自己的参与方式和贡献路径。

上述几个维度的变化——开发者规模的持续扩大、跨SIG协同的机制化运行、产业链伙伴的广泛汇聚——共同构成了SIG治理架构有效性的实证基础。这套架构仍在持续演进，但已有的运行数据表明，通过技术栈的合理切分与跨组协作的机制化，开源社区有能力承载人形机器人这一复杂系统的协作开发。

六、结论与展望

OpenLoong的SIG成效的显现并不意味着架构的成熟。跨SIG协同目前仍较多依赖核心maintainer的个人推动，随着社区规模的持续扩大，我们也需要思考如何将这种协作方式逐渐沉淀为更加机制化的支撑体系。同时，在贡献度量方面，社区已建立积分体系和奖励机制，但如何将其与SIG治理更紧密地结合起来，形成可持续的贡献循环，也是正在持续优化的问题。这些都是伴随社区成长逐步浮现的课题，我们会在实践中不断调整和完善。

2026年被业界视为具身智能从技术验证走向场景落地的重要节点。我们的SIG体系正在跟随这一节奏持续演进，全栈开源2.0路线图已经启动，目标是进一步扩展覆盖方向，并将各SIG之间的接口规范提升到更稳定的版本。这套治理架构在运行中暴露出的问题与积累的经验，都将为后续迭代提供依据，并为人形机器人领域的开源治理探索一种可参考的组织范式。

这些工作需要更多同行者的参与才能走得更远。因此，OpenLoong欢迎每一个对具身智能有热情的个人与团队——无论来自整机厂商、核心部件供应商、芯片设计企业、云服务提供商，还是高校科研团队或独立开发者——都能在OpenLoong的SIG体系中找到适合自己的贡献方式。加入我们，一起定义人形机器人的开源未来!