共生知行发布DPC技术，人形机器人驾驶卡丁车

Symbiosis Robotics（共生知行）发布新演示，机器人驾驶卡丁车完成漂移，但重点在于其背后的Direct Perception Control（DPC）技术。DPC取消了需要独立Whole-Body Tracker追踪的中间运动表示，让模型结合画面、任务和身体反馈，直接计算关节与手部目标。

传统分层架构如Figure Helix和Gemini Robotics 2分别处理语义推理和全身控制，而DPC探索让认知模型与运动专家在统一训练中联合优化，使任务理解与全身控制相互适配。

DPC内部保留Perception Expert与Motion Expert，通过Symbiotic Attention交换信息，并在同一action objective下训练，异步更新视觉结果，连续读取本体反馈。

直接输出Joint Target要求不同来源数据转换为同一种'关节语言'。DPC将人类视频和多种机器人数据转换为G1可执行、时间对齐的joint action，统一用于训练。

更新后的数据集共15,010小时：6,781小时Human Ego数据，4,024小时Armed Robot数据，3,660小时Wheeled Humanoid数据，545小时Bipedal Humanoid数据。

转换后，画面、任务语言、身体状态、动作历史和后续关节动作被放到同一条时间轴上，为DPC提供统一的Joint Target监督。

取消中间接口后，DPC策略需处理实机执行中的偏移。它先通过Offline BC初始化，再进入DriftDistill第二阶段训练。

Student在online rollout中遇到易偏离状态，Frozen Teacher为这些状态给出恢复动作；训练时，online rollout与offline demonstrations一起更新Student。

经过反复rollout，Student逐步学会处理部署中的状态和恢复路径，能在偏离后继续完成任务。

官方页面还展示了移动抓取与放置，以及受限姿态下的全身操作。机器人走到桩前，弯腰下蹲后单手拿起目标，再转身移动到指定位置放下。

坐进卡丁车则把能力推到更受限空间，驶上赛道后变化的画面进入控制闭环。这些demo串起同一件事：机器人看到环境变化后，直接计算下一步关节动作。

但一段漂移视频不等于机器人已学会通用驾驶。DPC展示的重点是任务理解和全身控制能否在同一训练目标下真正接起来。