本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

李飛飛團(tuán)隊(duì)具身智能最新成果來了：

大模型接入機(jī)器人，把復(fù)雜指令轉(zhuǎn)化成具體行動規(guī)劃，無需額外數(shù)據(jù)和訓(xùn)練。

從此，人類可以很隨意地用自然語言給機(jī)器人下達(dá)指令，如：

打開上面的抽屜，小心花瓶！

圖片

大語言模型+視覺語言模型就能從3D空間中分析出目標(biāo)和需要繞過的障礙，幫助機(jī)器人做行動規(guī)劃。

然后重點(diǎn)來了， 真實(shí)世界中的機(jī)器人在未經(jīng)“培訓(xùn)”的情況下，就能直接執(zhí)行這個任務(wù)。

圖片

新方法實(shí)現(xiàn)了零樣本的日常操作任務(wù)軌跡合成，也就是機(jī)器人從沒見過的任務(wù)也能一次執(zhí)行，連給他做個示范都不需要。

可操作的物體也是開放的，不用事先劃定范圍，開瓶子、按開關(guān)、拔充電線都能完成。

圖片

目前項(xiàng)目主頁和論文都已上線，代碼即將推出，并且已經(jīng)引起學(xué)術(shù)界廣泛興趣。

圖片

一位前微軟研究員評價到：這項(xiàng)研究走在了人工智能系統(tǒng)最重要和最復(fù)雜的前沿。

圖片

具體到機(jī)器人研究界也有同行表示：給運(yùn)動規(guī)劃領(lǐng)域開辟了新世界。

還有本來沒看到AI危險性的人，因?yàn)檫@項(xiàng)AI結(jié)合機(jī)器人的研究而改變看法。

機(jī)器人如何直接聽懂人話？

李飛飛團(tuán)隊(duì)將該系統(tǒng)命名為VoxPoser，如下圖所示，它的原理非常簡單。

圖片

首先，給定環(huán)境信息（用相機(jī)采集RGB-D圖像）和我們要執(zhí)行的自然語言指令。

接著，LLM（大語言模型）根據(jù)這些內(nèi)容編寫代碼，所生成代碼與VLM（視覺語言模型）進(jìn)行交互，指導(dǎo)系統(tǒng)生成相應(yīng)的操作指示地圖，即3D Value Map。

所謂3D Value Map，它是Affordance Map和Constraint Map的總稱，既標(biāo)記了“在哪里行動”，也標(biāo)記了“如何行動”。

圖片

如此一來，再搬出動作規(guī)劃器，將生成的3D地圖作為其目標(biāo)函數(shù)，便能夠合成最終要執(zhí)行的操作軌跡了。

而從這個過程我們可以看到，相比傳統(tǒng)方法需要進(jìn)行額外的預(yù)訓(xùn)練，這個方法用大模型指導(dǎo)機(jī)器人如何與環(huán)境進(jìn)行交互，所以直接解決了機(jī)器人訓(xùn)練數(shù)據(jù)稀缺的問題。

更進(jìn)一步，正是由于這個特點(diǎn)，它也實(shí)現(xiàn)了零樣本能力，只要掌握了以上基本流程，就能hold任何給定任務(wù)。

在具體實(shí)現(xiàn)中，作者將VoxPoser的思路轉(zhuǎn)化為一個優(yōu)化問題，即下面這樣一個復(fù)雜的公式：

圖片

它考慮到了人類下達(dá)的指令可能范圍很大，并且需要上下文理解，于是將指令拆解成很多子任務(wù)，比如開頭第一個示例就由“抓住抽屜把手”和“拉開抽屜”組成。

VoxPoser要實(shí)現(xiàn)的就是優(yōu)化每一個子任務(wù)，獲得一系列機(jī)器人軌跡，最終最小化總的工作量和工作時間。

而在用LLM和VLM將語言指令映射為3D地圖的過程中，系統(tǒng)考慮到語言可以傳達(dá)豐富的語義空間，便利用“感興趣的實(shí)體(entity of interest)”來引導(dǎo)機(jī)器人進(jìn)行操作，也就是通過3DValue Map中標(biāo)記的值來反應(yīng)哪個物體是對它具有“吸引力”的，那些物體是具有“排斥性”。

圖片

還是以開頭的例子舉??，抽屜就是“吸引”的，花瓶是“排斥”的。

當(dāng)然，這些值如何生成，就靠大語言模型的理解能力了。

而在最后的軌跡合成過程中，由于語言模型的輸出在整個任務(wù)中保持不變，所以我們可以通過緩存其輸出，并使用閉環(huán)視覺反饋重新評估生成的代碼，從而在遇到干擾時快速進(jìn)行重新規(guī)劃。

因此，VoxPoser有著很強(qiáng)的抗干擾能力。

△ 將廢紙放進(jìn)藍(lán)色托盤

以下分別是VoxPoser在真實(shí)和模擬環(huán)境中的表現(xiàn)（衡量指標(biāo)為平均成功率）：

圖片

可以看到，無論是哪種環(huán)境哪種情況（有無干擾、指令是否可見），它都顯著高于基于原語的基線任務(wù)。

最后，作者還驚喜地發(fā)現(xiàn)，VoxPoser產(chǎn)生了4個“涌現(xiàn)能力”：

（1）評估物理特性，比如給定兩個質(zhì)量未知的方塊，讓機(jī)器人使用工具進(jìn)行物理實(shí)驗(yàn)，確定哪個塊更重；

（2）行為常識推理，比如在擺餐具的任務(wù)中，告訴機(jī)器人“我是左撇子”，它就能通過上下文理解其含義；

（3）細(xì)粒度校正，比如執(zhí)行“給茶壺蓋上蓋子”這種精度要求較高的任務(wù)時，我們可以向機(jī)器人發(fā)出“你偏離了1厘米”等精確指令來校正它的操作；

（4）基于視覺的多步操作，比如叫機(jī)器人將抽屜精準(zhǔn)地打開成一半，由于沒有對象模型導(dǎo)致的信息不足可能讓機(jī)器人無法執(zhí)行這樣的任務(wù)，但VoxPoser可以根據(jù)視覺反饋提出多步操作策略，即首先完全打開抽屜同時記錄手柄位移，然后將其推回至中點(diǎn)就可以滿足要求了。

李飛飛：計算機(jī)視覺的3顆北極星

大約一年前，李飛飛在美國文理學(xué)會會刊上撰文，指出計算機(jī)視覺發(fā)展的三個方向：

• 具身智能（Embodied AI）
• 視覺推理（Visual Reasoning）
• 場景理解（Scene Understanding）

李飛飛認(rèn)為，具身智能不單指人形機(jī)器人，任何能在空間中移動的有形智能機(jī)器都是人工智能的一種形式。

正如ImageNet旨在表示廣泛且多樣化的現(xiàn)實(shí)世界圖像一樣，具身智能研究也需要解決復(fù)雜多樣的人類任務(wù)，從疊衣服到探索新城市。

遵循指令執(zhí)行這些任務(wù)需要視覺，但需要的不僅僅是視覺，也需要視覺推理理解場景中的三維關(guān)系。

最后機(jī)器還要做到理解場景中的人，包括人類意圖和社會關(guān)系。比如看到一個人打開冰箱能判斷出他餓了，或者看到一個小孩坐在大人腿上能判斷出他們是親子關(guān)系。

機(jī)器人結(jié)合大模型可能正是解決這些問題的一個途徑。

圖片

除李飛飛外，參與本次研究的還有清華姚班校友吳佳俊，博士畢業(yè)于MIT，現(xiàn)為斯坦福大學(xué)助理教授。

圖片

論文一作Wenlong Huang現(xiàn)為斯坦福博士生，在谷歌實(shí)習(xí)期間參與了PaLM-E研究。

圖片

論文地址：https://voxposer.github.io/voxposer.pdf
項(xiàng)目主頁：https://voxposer.github.io/