大模型的出色能力有目共睹，而如果將它們整合進機器人，則有望讓機器人擁有一個更加智能的大腦，為機器人領域帶來新的可能性，比如自動駕駛、家用機器人、工業(yè)機器人、輔助機器人、醫(yī)療機器人、現(xiàn)場機器人和多機器人系統(tǒng)。

預訓練的大型語言模型（LLM）、大型視覺 - 語言模型（VLM）、大型音頻 - 語言模型（ALM）和大型視覺導航模型（VNM）可以被用于更好地處理機器人領域的各種任務。將基礎模型整合進機器人是一個快速發(fā)展的領域，機器人社區(qū)最近已經(jīng)開始探索將這些大模型用于感知、預測、規(guī)劃和控制等機器人領域。

近日，斯坦福大學和普林斯頓大學等多所大學以及英偉達和 Google DeepMind 等多家企業(yè)的一個聯(lián)合研究團隊發(fā)布了一篇綜述報告，總結(jié)了基礎模型在機器人研究領域的發(fā)展情況和未來挑戰(zhàn)。

• 論文地址：https://arxiv.org/pdf/2312.07843.pdf
• 論文庫：https://github.com/robotics-survey/Awesome-Robotics-Foundation-Models

團隊成員中有很多我們熟悉的華人學者，包括朱玉可、宋舒然、吳佳俊、盧策吾等。

在范圍廣泛的大規(guī)模數(shù)據(jù)上預訓練的基礎模型在微調(diào)之后可以適用于多種多樣的下游任務?；A模型已經(jīng)在視覺和語言處理方面取得了重大突破，相關模型包括 BERT、GPT-3、GPT-4、CLIP、DALL-E 和 PaLM-E。

在基礎模型出現(xiàn)之前，用于機器人的傳統(tǒng)深度學習模型的訓練使用的都是為不同任務收集的有限數(shù)據(jù)集。相反，基礎模型則是會使用大范圍多樣化數(shù)據(jù)進行預訓練，在其他領域（比如自然語言處理、計算機視覺和醫(yī)療保健）的應用證明了其適應能力、泛化能力和總體性能表現(xiàn)。最終，基礎模型也有望在機器人領域展現(xiàn)出自己的潛力。圖 1 展示了基礎模型在機器人領域的概況。

相比于針對特定任務的模型，從基礎模型遷移知識有可能減少訓練時間和計算資源。尤其是在機器人相關領域，多模態(tài)基礎模型可以將從不同傳感器收集的多模態(tài)異構(gòu)數(shù)據(jù)融合和對齊成緊湊的緊湊同質(zhì)表征，而這正是機器人理解和推理所需的。其學習到的表征可望用于自動化技術棧的任何部分，包括感知、決策和控制。

不僅如此，基礎模型還能提供零樣本學習能力，也就是讓 AI 系統(tǒng)有能力在沒有任何示例或針對性訓練的前提下執(zhí)行任務。這能讓機器人將所學知識泛化到全新的用例，增強機器人在非結(jié)構(gòu)化環(huán)境中的適應能力和靈活性。

將基礎模型整合進機器人系統(tǒng)能提升機器人感知環(huán)境以及與環(huán)境交互的能力，有可能實現(xiàn)上下文感知型機器人系統(tǒng)。

舉個例子，在感知領域，大型視覺 - 語言模型（VLM）能夠?qū)W習視覺和文本數(shù)據(jù)之間的關聯(lián)，從而具備跨模態(tài)理解能力，從而輔助零樣本圖像分類、零樣本目標檢測和 3D 分類等任務。再舉個例子，3D 世界中的語言定基（language grounding，即將 VLM 的上下文理解與 3D 現(xiàn)實世界對齊）可以通過將話語與 3D 環(huán)境中的具體對象、位置或動作關聯(lián)起來，從而增強機器人的空間感知能力。

在決策或規(guī)劃領域，研究發(fā)現(xiàn) LLM 和 VLM 可以輔助機器人規(guī)范涉及高層規(guī)劃的任務。

通過利用與操作、導航和交互有關的語言線索，機器人可以執(zhí)行更加復雜的任務。比如對于模仿學習和強化學習等機器人策略學習技術，基礎模型似乎有能力提升數(shù)據(jù)效率和上下文理解能力。特別是語言驅(qū)動的獎勵可通過提供經(jīng)過塑造的獎勵來引導強化學習智能體。

另外，研究者也已經(jīng)在利用語言模型來為策略學習技術提供反饋。一些研究表明，VLM 模型的視覺問答（VQA）能力可以用于機器人用例。舉個例子，已有研究者使用 VLM 來回答與視覺內(nèi)容有關的問題，從而幫助機器人完成任務。另外，也有研究者使用 VLM 來幫助數(shù)據(jù)標注，為視覺內(nèi)容生成描述標簽。

盡管基礎模型在視覺和語言處理方面具備變革性的能力，但對于現(xiàn)實世界的機器人任務來說，基礎模型的泛化和微調(diào)依然頗具挑戰(zhàn)性。

這些挑戰(zhàn)包括：

1) 缺少數(shù)據(jù)：如何為機器人操作、定位、導航等機器人任務獲取互聯(lián)網(wǎng)規(guī)模級的數(shù)據(jù)，以及如何使用這些數(shù)據(jù)執(zhí)行自監(jiān)督訓練；

2) 巨大的差異性：如何應對物理環(huán)境、實體機器人平臺和潛在的機器人任務的巨大多樣性，同時保持基礎模型所需的通用性；

3) 不確定性的量化問題：如何解決實例層面的不確定性（比如語言歧義或 LLM 幻覺）、分布層面的不確定性和分布移位問題，尤其是閉環(huán)的機器人部署引起的分布移位問題。

4) 安全評估：如何在部署之前、更新過程中、工作過程中對基于基礎模型的機器人系統(tǒng)進行嚴格測試。

5) 實時性能：如何應對某些基礎模型推理時間長的問題 —— 這會有礙基礎模型在機器人上的部署，以及如何加速基礎模型的推理 —— 這是在線決策所需的。

這篇綜述論文總結(jié)了當前基礎模型在機器人領域的使用情況。他們調(diào)查了當前的方法、應用、挑戰(zhàn)，并建議了解決這些挑戰(zhàn)的未來研究方向，他們也給出了將基礎模型用于實現(xiàn)機器人自主能力的潛在風險。

基礎模型背景知識

基礎模型有數(shù)以十億計的參數(shù)，并且使用了互聯(lián)網(wǎng)級的大規(guī)模數(shù)據(jù)進行預訓練。訓練如此大規(guī)模和高復雜性的模型需要極高的成本。獲取、處理和管理數(shù)據(jù)的成本也會很高。其訓練過程需要大量計算資源，需要 GPU 或 TPU 等專用硬件，還需要用于模型訓練的軟件和基礎設施，這些都需要資金。此外，需要基礎模型還需要很長的時間，這也會導致高成本。因此這些模型往往是作為可插拔模塊使用的，即將基礎模型整合進各種應用中，而無需大量定制工作。

表 1 給出了常用基礎模型的細節(jié)。

這一節(jié)將主要介紹 LLM、視覺 Transformer、VLM、具身多模態(tài)語言模型和視覺生成模型。還會介紹用于訓練基礎模型的不同訓練方法。

他們首先介紹了一些相關的術語和數(shù)學知識，其中涉及 token 化、生成模型、判別模型、Transformer 架構(gòu)、自回歸模型、掩碼式自動編碼、對比學習和擴散模型。

然后他們介紹了大型語言模型（LLM）的示例和歷史背景。之后重點說明了視覺 Transformer、多模態(tài)視覺 - 語言模型（VLM）、具身多模態(tài)語言模型、視覺生成模型。

機器人研究

這一節(jié)關注的是機器人決策、規(guī)劃和控制。在這一領域，大型語言模型（LLM）和視覺語言模型（VLM）都有潛力用于增強機器人的能力。舉個例子，LLM 可以促進任務規(guī)范過程，讓機器人可以接收和解讀來自人類的高級指令。

VLM 也有望為這一領域做出貢獻。VLM 擅長分析視覺數(shù)據(jù)。要讓機器人做出明智的決策和執(zhí)行復雜的任務，視覺理解能力是至關重要的?，F(xiàn)在，機器人可以使用自然語言線索來增強自己執(zhí)行操作、導航和交互相關任務的能力。

基于目標的視覺 - 語言策略學習（不管是通過模仿學習還是強化學習）有望通過基礎模型獲得提升。語言模型還能為策略學習技術提供反饋。這個反饋循環(huán)有助于持續(xù)提升機器人的決策能力，因為機器人可以根據(jù)從 LLM 收到的反饋優(yōu)化自己的行動。

這一節(jié)關注的是 LLM 和 VLM 在機器人決策領域的應用。

這一節(jié)分為六部分。其中第一部分介紹了用于決策和控制和機器人策略學習，其中包括基于語言的模仿學習和語言輔助的強化學習。

第二部分是基于目標的語言 - 圖像價值學習。

第三部分介紹了使用大型語言模型來規(guī)劃機器人任務，其中包括通過語言指令來說明任務以及使用語言模型生成任務規(guī)劃的代碼。

第四部分是用于決策的上下文學習（ICL）。

接下來是機器人 Transformer。

第六部分則是開放詞匯庫的機器人導航和操作。

表 2 給出了一些特定于機器人的基礎模型，其中報告了模型的大小和架構(gòu)、預訓練任務、推理時間和硬件設置。

感知

與周圍環(huán)境交互的機器人會接收不同模態(tài)的感官信息，比如圖像、視頻、音頻和語言。這種高維數(shù)據(jù)對機器人在環(huán)境中的理解、推理和互動而言至關重要。基礎模型可以將這些高維輸入轉(zhuǎn)換成容易解讀和操作的抽象結(jié)構(gòu)化表征。尤其是多模態(tài)基礎模型可讓機器人將不同感官的輸入整合成一個統(tǒng)一的表征，其中包含語義、空間、時間和可供性信息。這些多模態(tài)模型需要跨模態(tài)的交互，通常需要對齊不同模態(tài)的元素來確保一致性和互相對應。比如圖像描述任務就需要文本和圖像數(shù)據(jù)對齊。

這一節(jié)將關注與機器人感知相關的一系列任務，這些任務可使用基礎模型來對齊模態(tài)，從而獲得提升。其中的重點是視覺和語言。

這一節(jié)分為五部分，首先是開放詞匯庫的目標檢測和 3D 分類，然后是開放詞匯庫的語義分割，接下來是開放詞匯庫的 3D 場景和目標表征，再然后是學習到的功能可供性，最后是預測模型。

具身 AI

近段時間，有研究表明 LLM 可以成功用于具身 AI 領域，其中「具身（embodied）」通常是指在世界模擬器中的虛擬具身，而非具有實體機器人身體。

這方面已經(jīng)出現(xiàn)了一些有趣的框架、數(shù)據(jù)集和模型。其中尤其值得一提的是將 Minecraft 游戲用作訓練具身智能體的平臺。舉個例子，Voyager 使用了 GPT-4 來引導智能體探索 Minecraft 環(huán)境。其能通過上下文 prompt 設計來與 GPT-4 互動，而無需對 GPT-4 的模型參數(shù)進行微調(diào)。

機器人學習方面的一個重要研究方向是強化學習，也有研究者在嘗試通過基礎模型來為強化學習設計獎勵。

使用基礎模型輔助機器人執(zhí)行高層規(guī)劃自然也早有研究者嘗試。此外也有研究者在嘗試將基于思維鏈的推理和動作生成方法用于具身智能體。

挑戰(zhàn)和未來方向

這一節(jié)會給出將基礎模型用于機器人的相關挑戰(zhàn)。該團隊也會探索可望解決這些挑戰(zhàn)的未來研究方向。

第一個挑戰(zhàn)是克服訓練用于機器人的基礎模型時的數(shù)據(jù)稀缺問題，其中包括：

1. 使用非結(jié)構(gòu)化游戲數(shù)據(jù)和未標注的人類視頻來擴展機器人學習

2. 使用圖像修復（Inpainting）來增強數(shù)據(jù)

3. 克服訓練 3D 基礎模型時的缺少 3D 數(shù)據(jù)的問題

4. 通過高保真模擬來生成合成數(shù)據(jù)

5. 使用 VLM 進行數(shù)據(jù)增強

6. 機器人的物理技能受限于技能的分布

第二個挑戰(zhàn)則與實時性能有關，其中關鍵的是基礎模型的推理時間。

第三個挑戰(zhàn)涉及到多模態(tài)表征的局限性。

第四個挑戰(zhàn)則是如何量化不同層級的不確定性的問題，比如實例層面和分布層面，另外還涉及到如何校準以及應對分布移位的難題。

第五個挑戰(zhàn)涉及到安全評估，包括部署之前的安全測試和運行時的監(jiān)控和對分布外情況的檢測。

第六個挑戰(zhàn)則涉及到如何選擇：使用現(xiàn)有的基礎模型還是為機器人構(gòu)建新的基礎模型？

第七個挑戰(zhàn)涉及到機器人設置中的高度可變性。

第八個挑戰(zhàn)是如何在機器人設置中進行基準評估以及保證可復現(xiàn)性。

更多研究細節(jié)，可參考原論文。