文 | 有界UnKnown
人形机器人行业又迎来一对新的强强联合。
近期,波士顿动力宣称,会使用丰田研究所的“大型行为模型”来训练机器人,它类似于驱动ChatGPT的“大型语言模型”,可以让机器人通过少量演示数据和多模态感知来掌握复杂任务,走向通用机器人。
在过去,这条技术路径一直是马斯克为Optimus(下称“擎天柱”)画的“饼”,想借此实现通用人形机器人。
今年10月初,马斯克以《We, Robot》为主题在加州开了一场“科幻”味儿十足的发布会。在现场,擎天柱以服务员的身份一边为宾客调酒,一边抬手打招呼说着“Hi,everybody”,甚至在现场和宾客热舞。
但发布会结束后,有现场宾客却表示,擎天柱“亲口”向他承认,自己是被远程遥控的。而整个发布会,马斯克也没有透露关于擎天柱的任何技术细节。
看似自主的机器人,依旧离不开人类的远程遥控。
马斯克似乎做了一个双面镜,一面是真实的擎天柱仍然做着人类的提线木偶;而另一面,他又用一种近乎虚假的方式为人们构画出一个可能实现的未来。
但显而易见,马斯克并没有兴趣解答擎天柱当前的研发进度,那么作为马斯克在机器人领域的强敌, 波士顿动力这次与丰田研究所的联合,能将马斯克画的饼实现吗?
波士顿动力,率先走到终点?
想要完成马斯克这张拼图,擎天柱需要拥有与人类和环境交互的能力。
比如将机器人放在厨房,它首先要能识别出自己所处场景是“厨房”。然后,当人类告诉他要做一道菜时,它可以主动从冰箱拿出食材、清洗、切菜、并按步骤烹饪。
要实现这个过程,意味着机器人能够自主辨别什么是冰箱,并移动到冰箱前,打开冰箱门,在众多食材中找到需要的食材,取出来,然后结合各种工具进行清洗.....
这个过程对人类来说十分简单,但对机器人而言却十分困难。
当前无论是老牌人形机器人波士顿动力的Atlas,还是“新贵”擎天柱、Figure,都只能在受限制的环境里执行单一任务,比如在案板前将已经分拣好的各种蔬果拿起或者放下。
▲Figure01拾取水果,图源YouTube@Figure
▲Optimus Gen2拾取鸡蛋,图源YouTube@Tesla
要知道这其中的区别,可以想一想咱们自己家里的冰箱,当各种食材被混杂在一起、用透明塑料袋装着的时候,识别难度就会高于单个的西红柿、红薯。
所以如果将机器人自主做出一顿饭的难度,比作是登上珠穆朗玛峰,那么现在的人形机器人才刚刚坐进学步车。对,它还没有学会“走路”。
而更重要的是,当前机器人学习新技能的效率十分低下,比如学会了叠衣服之后,转而叠被子就要重新学习大量数据。
为了克服这个难题,波士顿动力和丰田研究院团队采用一种新的AI系统“大型行为模型”训练机器人,通过物理演示任务(例如观看视频)进行教学,来帮助将Atlas打造成一款自主性能力强的通用人形机器人。
经过这套“大型行为模型”的训练,机器人可以通过少量数据学习新技能,这种方法叫做“扩散策略”,这套策略可以探索多种不同的路径,并根据实时情况选择最佳方案,它可以帮助机器人更好地应对不确定性的环境,比如突然的障碍或任务变化。
丰田研究院公布了关于这一成果的报告,其中有一个通俗案例可以解释这个策略:
经过扩散策略训练的机器人,可以做酱汁烧注和涂抹任务,需要将酱汁涂抹在披萨面团中心,分拆步骤来看:①握住勺子接近披萨面团中心;②将酱汁以螺旋状铺在披萨上;③提起勺子。
▲论文《扩散政策:通过动作扩散进行视觉运动策略学习》
在这个过程里,披萨面团会随机移动,而机器人可以“随机应变”,它能跟随披萨面团中心位置的迁移而即时挪动勺子。
根据丰田工作人员透露,学会这个能力并不费劲,“这个过程从老师远程操作演示一小部分技能开始”,机器人晚上学习,第二天就可以获得新技能。也就是说,它用少量数据向机器人演示,便能够让机器人获得“泛化”能力。
和传统的机器人学习相比,这种行为模型就像运动界的ChatGPT一样,给它一点行为上的Prompt,就能泛化出一套完成任务的操作轨迹和应变能力。
但并不是任何人形机器人都能适配这套策略,扩散策略更依赖视觉数据,这就需要硬件上拥有高精度视觉传感器,还要拥有抓取复杂和精细物体操作能力。
这也是目前波士顿动力面临的挑战。
其最新款人形机器人Atlas目前并不具备实现“自主”的硬性条件,它既没有灵巧手,又缺乏生活场景的数据。
Atlas机器人虽然具备一定的抓握能力,但其手部设计相对简单,只有三指,并且常用场景是应急救援和工厂搬运,对于生活场景的数据也相对缺乏。
与此相比,特斯拉的擎天柱却显得更有优势。
比如在视觉数据上,特斯拉的自动驾驶一直坚持纯视觉的解决方案,目前市场上运行着将近600万辆特斯拉汽车,可以积累大量的视觉数据。
其次擎天柱在灵巧手、关节有更接近人类的设计。在特斯拉最新展示的视频里,擎天柱可以走到桌边,用双手的“指尖”举起重11kg的4680电池盒。
这双机械手已经拥有22个自由度,分布在手指、手腕和小指下方,而年初手部拥有11个自由度的第二代擎天柱,所有手指都具有触觉感应,能够灵巧地处理鸡蛋等易碎物品。
▲擎天柱举起电池,图源:Tesla@YouTube