据论文披露，研究团队在6个未预先扫描或建图的真实环境中开展360次单项任务测试，平均成功率为91%。另在一个真实环境中，对3种组合任务分别开展10次测试，平均成功率为70%。其中，“俯身通过障碍—走向目标—推箱子”这一组合的成功率为50%。

　　机器人如何获得完成这些任务所需的数据，是这项研究关注的问题。研究团队在1000个程序生成的模拟家庭环境中，合成了约300小时的主要训练数据，将机器人“看到什么”“接到什么指令”和“如何运动”配对起来。

　　具体而言，系统先生成动作，再将动作放进虚拟房间，最后从机器人的视角生成画面。项目页面以“坐到扶手椅上”为例，将其拆成向前走、转身和坐下等片段，由动作生成模型根据文字提示、路径点和关键姿态生成动作序列，再通过几何检查筛选动作，减少脚部滑动、身体穿入地面等问题。

　　随后，系统将动作安排到程序生成的房间中，检查机器人与家具的位置关系，寻找没有碰撞的摆放方案，再利用仿真工具渲染机器人执行动作时看到的画面。训练中还会改变光照、色调、画面模糊程度等条件，使视觉输入更加多样。这样，同一套流程就能生成包含指令、视觉画面和全身动作的配套数据。

HALO的合成数据生成与训练流程：先生成动作轨迹，将其放入虚拟场景，再渲染机器人视角的画面，形成配套训练数据，用于训练动作生成器和动作跟踪器。图片来源：HALO论文