踹掉OpenAI之后，F(xiàn)igure的迭代堪稱神速！

幾天前才發(fā)布了第一款自研視覺-語言-動(dòng)作（VLA）模型Helix，統(tǒng)一了感知、語言理解和學(xué)習(xí)控制。。

就在剛剛，他們又在一個(gè)全新場(chǎng)景中實(shí)現(xiàn)了機(jī)器人應(yīng)用的落地——物流包裹操作和分揀。

而且，只用了短短30天。

圖片

圖片

為了達(dá)到人類級(jí)別的速度、精確度和適應(yīng)性，F(xiàn)igure對(duì)自研模型Helix的系統(tǒng)1（S1），也就是底層視覺運(yùn)動(dòng)控制策略，做出了全面的改進(jìn)：

• 隱式立體視覺（implicit stereo vision）：Helix系統(tǒng)1現(xiàn)在具有豐富的3D理解能力，實(shí)現(xiàn)更精確的深度感知運(yùn)動(dòng)。
• 多尺度視覺表征（Multi-scale visual representation）：底層策略可以捕捉精細(xì)細(xì)節(jié)，同時(shí)保持場(chǎng)景層面的理解，實(shí)現(xiàn)更準(zhǔn)確的操作。
• 學(xué)習(xí)式視覺本體感知（learned visual proprioception）：每個(gè)Figure機(jī)器人現(xiàn)在都可以自我校準(zhǔn)，使跨機(jī)器人遷移變得無縫。
• 運(yùn)動(dòng)模式（sport mode）：使用簡(jiǎn)單的測(cè)試時(shí)加速技術(shù)，Helix 達(dá)到了比示范者更快的執(zhí)行速度，同時(shí)保持高成功率和靈巧度。

結(jié)果顯示，在這個(gè)特定場(chǎng)景中，僅需8小時(shí)精心策劃的示范數(shù)據(jù)，就能產(chǎn)生靈活多變的操作策略。

只見，F(xiàn)igure機(jī)器人軍團(tuán)同時(shí)走向自己的工位，站成一排，同步開啟打工模式。

圖片

看它靈活的雙手，拿起包裹后，識(shí)別物流碼逐一分揀。

整條流水線上，全由Figure完成，無需人類插手。

圖片

值得一提的是，它們還會(huì)自我校準(zhǔn)。

圖片

對(duì)此網(wǎng)友紛紛表示，「工廠工人將被迅速取代！」

還有網(wǎng)友感慨道，「將現(xiàn)有勞動(dòng)力轉(zhuǎn)換為機(jī)器人會(huì)比我們想象的要快得多?！?/span>

圖片

圖片

圖片

極具挑戰(zhàn)性的物流場(chǎng)景

包裹處理和分揀是物流中的基本操作。這通常涉及將包裹從一條傳送帶轉(zhuǎn)移到另一條傳送帶，同時(shí)確保運(yùn)輸標(biāo)簽正確朝向以便掃描。

這項(xiàng)任務(wù)面臨幾個(gè)關(guān)鍵挑戰(zhàn)：包裹的尺寸、形狀、重量和剛性（如硬盒或軟袋），都各不相同。

為此，系統(tǒng)必須能夠：

• 確定抓取移動(dòng)物體的最佳時(shí)機(jī)和方法，并重新調(diào)整每個(gè)包裹的朝向使標(biāo)簽可見
• 跟蹤持續(xù)移動(dòng)的傳送帶上眾多包裹的動(dòng)態(tài)流動(dòng)，并保持高吞吐量
• 實(shí)現(xiàn)自我調(diào)整，因?yàn)榄h(huán)境無法被完全預(yù)測(cè)

而這些，在仿真環(huán)境中是很難進(jìn)行復(fù)刻的。

值得注意的是，解決這些挑戰(zhàn)不僅是Figure業(yè)務(wù)的關(guān)鍵應(yīng)用，它還為Helix系統(tǒng)1帶來了全新的通用改進(jìn)，從而使所有其他用例都從中受益。

圖片

圖片

圖片

對(duì)Helix視覺-運(yùn)動(dòng)策略（系統(tǒng)1）的架構(gòu)改進(jìn)

視覺表征

此前的系統(tǒng)1依賴于單目視覺輸入，而現(xiàn)在的新系統(tǒng)采用了立體視覺主干網(wǎng)絡(luò)，結(jié)合多尺度特征提取網(wǎng)絡(luò)來捕捉豐富的空間層次結(jié)構(gòu)。

新系統(tǒng)不再單獨(dú)處理每個(gè)攝像頭的圖像特征token，而是會(huì)在token化之前將兩個(gè)攝像頭的特征在多尺度立體網(wǎng)絡(luò)中合并，這樣保持了輸入到交叉注意力Transformer的視覺token總數(shù)不變，同時(shí)避免了額外的計(jì)算開銷。

多尺度特征使系統(tǒng)能夠同時(shí)識(shí)別精細(xì)細(xì)節(jié)和更廣泛的上下文信息，共同提升了基于視覺的控制可靠性。

圖片

跨機(jī)器人遷移

在多個(gè)機(jī)器人上部署同一策略時(shí)，需要解決因個(gè)體機(jī)器人硬件細(xì)微差異導(dǎo)致的觀測(cè)和動(dòng)作空間分布偏移問題。

這些差異主要包括傳感器校準(zhǔn)差異（影響輸入觀測(cè)）和關(guān)節(jié)響應(yīng)特性（影響動(dòng)作執(zhí)行），若不進(jìn)行適當(dāng)補(bǔ)償，將會(huì)顯著影響策略性能。

尤其是在涉及高維度的整個(gè)上半身動(dòng)作空間時(shí)，傳統(tǒng)的手動(dòng)機(jī)器人校準(zhǔn)方法難以適用于大規(guī)模機(jī)器人群組。

為解決這一問題，F(xiàn)igure訓(xùn)練了一個(gè)視覺本體感知模型，該模型完全基于每個(gè)機(jī)器人自身的視覺輸入來估計(jì)末端執(zhí)行器的六自由度（6D）姿態(tài)。

這種在線「自我校準(zhǔn)」機(jī)制使得跨機(jī)器人策略遷移能夠高效進(jìn)行，同時(shí)將停機(jī)時(shí)間降至最低。

圖1：可擴(kuò)展的實(shí)時(shí)視覺校準(zhǔn)技術(shù)實(shí)現(xiàn)強(qiáng)大的跨機(jī)器人遷移能力

數(shù)據(jù)篩選

數(shù)據(jù)方面，F(xiàn)igure在篩選時(shí)排除了那些速度較慢、失誤或完全失敗的人類示范。

但有意保留了一些自然包含糾正行為的示范，前提是造成失敗的原因是環(huán)境的隨機(jī)因素，而非操作者的錯(cuò)誤。

與遠(yuǎn)程操作者密切合作，可以改進(jìn)和統(tǒng)一操控策略，并帶來顯著的性能提升。

推理階段操作加速

為了讓系統(tǒng)能夠接近并最終超越人類操作速度，F(xiàn)igure應(yīng)用了一種簡(jiǎn)單但有效的測(cè)試階段技術(shù)，從而實(shí)現(xiàn)了比示范者更快的學(xué)習(xí)行為——對(duì)策略動(dòng)作塊輸出進(jìn)行插值（「運(yùn)動(dòng)模式」）。

其中，S1策略輸出動(dòng)作「塊」，即以200Hz頻率執(zhí)行的一系列機(jī)器人動(dòng)作。

在實(shí)踐中，可以在不修改訓(xùn)練程序的情況下實(shí)現(xiàn)20%的測(cè)試階段加速。

方法是，將一個(gè)[T x action_dim]的動(dòng)作塊（表示一個(gè)T毫秒的軌跡）線性重采樣為一個(gè)更短的[0.8 * T x action_dim]軌跡，然后以原始的200Hz控制率執(zhí)行這個(gè)更短的動(dòng)作塊。

結(jié)果與討論

使用標(biāo)準(zhǔn)化有效吞吐量* T_eff 來衡量系統(tǒng)性能，可以反映系統(tǒng)處理包裹的速度與訓(xùn)練數(shù)據(jù)中演示者速度的比值。（這一指標(biāo)考慮到了系統(tǒng)重置所花費(fèi)的時(shí)間）

例如，當(dāng)T_eff > 1.1時(shí)，表示系統(tǒng)操作速度比訓(xùn)練所用的專家軌跡快10%。

立體視覺的重要性

圖2（a）展示了多尺度特征提取器和立體視覺輸入對(duì)系統(tǒng)T_eff的影響。

其中，多尺度特征提取和隱式立體輸入顯著提升了系統(tǒng)性能，立體視覺也顯著增強(qiáng)了系統(tǒng)處理各種尺寸包裹的穩(wěn)健性。

相比于非立體基線模型，立體模型實(shí)現(xiàn)了高達(dá)60%的吞吐量提升。

圖2：（a）不同視覺表示方法對(duì)系統(tǒng)性能影響的消融研究

此外，配備立體視覺的S1系統(tǒng)能夠成功處理系統(tǒng)從未訓(xùn)練過的平信封，表現(xiàn)出良好的泛化能力。

圖片

機(jī)器人可以將信封分揀出來。

可以看出機(jī)器人的手部活動(dòng)十分靈活。

圖片

質(zhì)量勝于數(shù)量

Figure發(fā)現(xiàn)，對(duì)于單個(gè)應(yīng)用場(chǎng)景，數(shù)據(jù)質(zhì)量和一致性比數(shù)據(jù)數(shù)量更為重要。

如圖2（b）所示，盡管訓(xùn)練數(shù)據(jù)量減少了三分之一，但使用精心篩選的高質(zhì)量示范數(shù)據(jù)訓(xùn)練的模型仍然實(shí)現(xiàn)了40%更高的吞吐量。

圖2（b）：數(shù)據(jù)篩選對(duì)有效吞吐量的影響

運(yùn)動(dòng)模式

通過線性重采樣技術(shù)（即「運(yùn)動(dòng)模式」）加速策略執(zhí)行，在提速不超過50%的范圍內(nèi)表現(xiàn)出奇地有效。這可能歸功于動(dòng)作輸出塊的高時(shí)間分辨率（200Hz）。

然而，當(dāng)速度提高超過50%時(shí)，有效吞吐量開始大幅下降，因?yàn)閯?dòng)作變得過于不精確，系統(tǒng)需要頻繁重置。

圖3顯示，在速度提高50%的情況下，策略能夠?qū)崿F(xiàn)比其訓(xùn)練所基于的專家軌跡更快的物體處理速度（T_eff>1）。

圖片

圖3：通過動(dòng)作塊重采樣實(shí)現(xiàn)測(cè)試階段加速。在測(cè)試階段速度提高50%的情況下，S1系統(tǒng)實(shí)現(xiàn)了比示范數(shù)據(jù)更高的有效吞吐量（T_eff>1）

跨機(jī)器人遷移

最后，通過利用學(xué)習(xí)型校準(zhǔn)和視覺本體感知模塊，F(xiàn)igure成功將最初僅在單個(gè)機(jī)器人數(shù)據(jù)上訓(xùn)練的策略應(yīng)用到多臺(tái)不同機(jī)器人上。

盡管各機(jī)器人間存在傳感器校準(zhǔn)差異和細(xì)微硬件不同，系統(tǒng)在所有平臺(tái)上仍保持了相當(dāng)一致的操作性能水平。

這種一致性凸顯了學(xué)習(xí)型校準(zhǔn)在減輕數(shù)據(jù)分布偏移方面的有效性，大大減少了繁瑣的單機(jī)器人重新校準(zhǔn)需求，使大規(guī)模部署變得更加實(shí)用。

總結(jié)

綜上，F(xiàn)igure展示了如何通過高質(zhì)量數(shù)據(jù)集，結(jié)合立體多尺度視覺、實(shí)時(shí)校準(zhǔn)和測(cè)試階段加速等架構(gòu)優(yōu)化，在實(shí)際物流優(yōu)先級(jí)分揀場(chǎng)景中實(shí)現(xiàn)超越示范者速度的靈巧機(jī)器人操作——這一切僅使用了相對(duì)適量的示范數(shù)據(jù)。

研究結(jié)果表明，端到端視覺-運(yùn)動(dòng)控制策略在速度和精度至關(guān)重要的復(fù)雜工業(yè)應(yīng)用中具有巨大的擴(kuò)展?jié)摿Α?/span>

參考資料：https://www.figure.ai/news/helix-logistics