Sber Robotics открыла регистрацию на Green Challenge — конкурс, который пройдёт в рамках конференции AI Journey 2026. Задача участников — разработать или дообучить модель управления антропоморфным роботом «Грин», первым человекоподобным роботом Сбера. Соревнование ориентировано на решение задач мобильной манипуляции в цифровом симуляторе, где модель должна управлять роботом на основе изображений, текстовых инструкций и проприоцептивных данных. Это комплексная задача в области Physical AI, охватывающая подготовку данных, мультимодальное восприятие, планирование и согласованное управление движениями всего тела. Управление роботом по изображениям и текстовым инструкциям остаётся одной из наиболее актуальных задач современной робототехники, и модели класса Vision-Language-Action уже способны решать широкий спектр задач, однако большинство заметных результатов получено на стандартных манипуляторах: одна роботизированная рука на неподвижном основании, шесть или семь степеней свободы и двупалый захват. Green Challenge переводит эту задачу на принципиально иной уровень сложности.

Участникам предоставляется полный набор инструментов: симуляционная среда на базе NVIDIA Isaac Sim и Isaac Lab (GreenSim), набор данных для дообучения в формате LeRobot v2.1 (24 055 эпизодов, 72 165 видеофрагментов, 15,17 млн временных шагов, общая длительность около 140,5 часа), а также базовая модель Green-VLA на 1,3 млрд параметров с открытыми весами. Модель получает на вход RGB-изображения с трёх камер (голова и запястья) разрешением 448×448 пикселей, текстовую инструкцию (полная задача и текущая подзадача) и проприоцептивное состояние робота. На выходе модель предсказывает целевые положения суставов, которые исполняет Whole-Body Controller (WBC). Сценарии представляют собой цепочки взаимосвязанных действий, например: поднять руку, дотянуться до полки, взять предмет, перенести его и вернуть руку в исходное положение. Это не набор независимых навыков, а единая последовательность действий, и ошибка на раннем этапе может нарушить положение робота или предмета и каскадно повлиять на успешность всего эпизода. В репозитории доступны готовые сцены, модель робота, объекты и интерфейс управления, а трёхмерные модели сцен опубликованы отдельно. Все компоненты открыты и могут использоваться повторно в исследовательских и прикладных проектах.

Главный вызов соревнования — устойчивость модели к состояниям вне обучающего распределения (out-of-distribution, OOD). Первое естественное решение — собрать демонстрации работы робота и обучить на них модель методом клонирования поведения (behavior cloning). Однако именно здесь возникает ключевая проблема: расхождение между состояниями, записанными в демонстрациях, и состояниями, в которые робот попадает при автономном выполнении задачи. К такому расхождению приводят несколько факторов: новые сочетания начальных положений робота и объекта, отсутствующие в обучающем наборе данных, накопление ошибок исполнения, когда низкоуровневый контроллер движения всего тела может не довести робота до целевого положения, неточные траектории, предсказанные VLA-политикой, недетерминированность расчёта динамики и контактных взаимодействий в симуляторе, а также ошибочные последующие действия, которые политика принимает уже из отклонившегося состояния. При этом базовые условия задачи не меняются: модель робота, набор камер, форматы наблюдений и действий, а также поведение контроллера движения всего тела при проверке решения в симуляторе остаются одинаковыми. Отсюда следует ключевое требование: модель должна не только воспроизводить демонстрации, но и корректировать действия по текущим наблюдениям, работать с состояниями вне обучающего распределения и восстанавливаться после отклонений. Оценка решения включает подготовку данных, согласование состояний и действий, временную синхронизацию, мультимодальное восприятие, устойчивость управления и скорость выполнения.

Управление антропоморфным роботом представляет собой задачу принципиально иного уровня сложности по сравнению с манипуляторами. Большинство заметных результатов в области VLA-моделей получено на стандартных манипуляторах: одна роботизированная рука на неподвижном основании, шесть или семь степеней свободы, двупалый захват. Антропоморфный робот имеет множество степеней подвижности, антропоморфные кисти, мобильную платформу, необходимость координировать движения всего тела и сохранять равновесие. Это существенно усложняет разработку системы управления. Green Challenge призван стимулировать исследования именно в этом направлении, предоставляя открытые инструменты и данные для воспроизводимых экспериментов. По сравнению с альтернативными подходами конкурс делает ставку на симуляцию и открытые данные, что позволяет избежать затрат на реальные роботы и обеспечить воспроизводимость результатов. Участники могут дообучать базовую модель, менять архитектуру, использовать собственные данные, а конкурс оценивает решение целиком, что стимулирует комплексный подход.

Для российского рынка инициатива Sber Robotics может стать значимым шагом в развитии физического ИИ и робототехники. Открытые веса, симулятор и датасет позволяют исследовательским группам и стартапам включиться в разработку без необходимости создавать дорогостоящий аппаратный стенд. Это снижает порог входа и способствует формированию сообщества вокруг антропоморфной робототехники. В условиях глобальной конкуренции в области Physical AI, где активно работают такие игроки, как Tesla, Figure, Agility Robotics, инициатива Сбера выглядит своевременной. Она также может ускорить подготовку кадров и накопление экспертизы в российских университетах и лабораториях. В перспективе успешные наработки могут быть применены к реальному роботу «Грин», а также лечь в основу коммерческих продуктов Sber Robotics.

Однако перенос политик из симуляции в реальный мир (sim-to-real) остаётся открытым вопросом. Сроки проведения, призовой фонд и критерии оценки будут объявлены дополнительно. Остаётся неясным, насколько сложные сценарии будут включены в финальную оценку и как будет учитываться скорость выполнения модели. Кроме того, пока не раскрыто, будут ли успешные решения проверяться на реальном аппаратном стенде или оценка ограничится симуляцией. Эти открытые вопросы определят, насколько результаты конкурса окажутся применимы за пределами виртуальной среды.

В целом Green Challenge 2026 может стать важной вехой в развитии Physical AI в России, предоставив исследователям платформу для решения одной из самых сложных задач современной робототехники — управления антропоморфным роботом в условиях неопределённости. Открытость инструментов и данных способствует коллаборации и ускорению прогресса. Следует ожидать, что конкурс привлечёт внимание как академического сообщества, так и индустрии, а его результаты повлияют на дальнейшие разработки в области человекоподобных роботов.