-
Sensor Layer（传感器层）收集信息：摄像头、LIDAR、麦克风、电池状态、GPS 等多模态进行感知输入。
-
AI + World Captioning Layer（世界理解层）翻译信息：多模态模型将视觉、语音、状态转为自然语言描述（如“你看到一个人在挥手”）。
-
Natural Language Data Bus（自然语言总线）传递信息：所有感知被转成带时间戳的语言片段，在不同模块间传递。
-
Data Fuser（情境融合层）组合信息：整合多源输入，生成用于决策的完整语境（prompt）。
-
Multi-AI Planning/Decision Layer（多智能体规划层）生成决策：多个 LLM 读取语境，结合链上规则生成行动计划。
-
NLDB 下行通道：将决策结果通过语言中间层传递给硬件执行系统。
-
Hardware Abstraction Layer（硬件抽象层）做出行动：将语言指令转为底层控制命令，驱动硬件执行（移动、语音播报、交易等）。
为了让一个想法能尽快落地成机器人执行的任务，OM1 内置了这些工具：
-
快速新增技能：用自然语言和大模型，就能在数小时内给机器人添加新行为，而非几个月的硬编码。
-
多模态组合：轻松融合 LiDAR、视觉、声音等感知，让开发者不必自己写复杂的传感器融合逻辑。
-
预配置大模型接口：内置 GPT-4o、DeepSeek、VLMs 等语言/视觉模型，支持语音交互。
-
广泛的软硬件兼容：支持 ROS2、Cyclone DDS 等主流协议，与现有机器人中间件无缝衔接。无论是 Unitree G1 人形、Go2 四足，还是 Turtlebot、机械臂，都能直接接入。
-
对接 FABRIC：OM1 原生支持身份、任务协调和链上支付，让机器人不仅能单机完成任务，还能参与全球协作网络。
目前，OM1 已落地于多个真实场景：
-
Frenchie（Unitree Go2 四足机器狗）：在 USS Hornet 国防技术展示 2024 中完成复杂场地任务。
-
Iris（Unitree G1 人形机器人）：在 EthDenver 2025 Coinbase 展台进行现场人机交互演示，并计划通过 RoboStore 的教育项目进入全美高校课程。
即便有了强大的大脑，如果机器人彼此之间无法安全、可信地协作，依旧只能各自为战。现实中，不同厂商的机器人往往自建系统、各自为政，技能和数据无法共享；跨品牌甚至跨国协作则更加缺乏可信身份与标准规则。于是，一些难题出现了：
-
身份与位置证明：机器人怎么证明自己是谁、在哪、在做什么？
-
技能与数据共享：如何授权机器人共享数据、调用技能？