好家伙！

機器人已入廠打工分揀快遞，手法嫻熟和人類一模一樣。

前幾天，F(xiàn)igure推出了端到端通用控制模型——Helix，能讓機器人像人一樣感知、理解和行動。

現(xiàn)在，是時候檢驗最新成果了。

視頻中，一批Figure 02走上生產(chǎn)一線，秩序井然地分揀快遞，還能正確調(diào)整條形碼位置以供機器掃描……

最重要的是，按照官方說法，此次場景微調(diào)只用了30天。而作為對比，第一個客戶案例用了12個月之久。

端到端學(xué)習(xí)方法讓Figure的機器人能夠快速學(xué)習(xí)新任務(wù)！

面對如此進化速度，網(wǎng)友們直呼：我們完啦！

背后關(guān)鍵：改進了Helix系統(tǒng)1

除了視頻，針對本次實驗的高速、小包裝物流場景，F(xiàn)igure還公開了Helix進展的最新報告。

在和OpenAI斷交之后，就在上周五，F(xiàn)igure公布了首個成果Helix。

作為一個端到端通用控制模型，只需自然語言提示，機器人就能拿起任何東西，哪怕是從沒見過的東西（比如這個活潑的小仙人掌）。

更有意思的是，兩個機器人也可以共同協(xié)作，而且用的是同一組神經(jīng)網(wǎng)絡(luò)。

根據(jù)當(dāng)時的介紹，Helix主要由兩個系統(tǒng)組成，兩個系統(tǒng)經(jīng)過端到端訓(xùn)練，并且可以進行通信。

• 系統(tǒng)1：80M參數(shù)的交叉注意力Transformer，用于處理底層控制。
• 系統(tǒng)2：基于在互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)上預(yù)訓(xùn)練的7B開源VLM，用于場景理解和語言理解。

而這一次，F(xiàn)igure在物流場景重點對系統(tǒng)1（底層控制）進行了一系列改進：

1、隱式立體視覺（Implicit stereo vision）：增強了3D空間感知，使機器人動作更精準(zhǔn)；

2、多尺度視覺表示（Multi-scale visual representation）：結(jié)合細節(jié)和整體場景理解，提高操作精度；

3、學(xué)習(xí)視覺本體感知（Learned visual proprioceptio）：每個Figure機器人現(xiàn)在都可以自我校準(zhǔn)，簡化跨機器人技能遷移；

4、運動模式（Sport mode）：使用簡單的test-time加速技術(shù)，同時保持高成功率和更快的執(zhí)行速度。

最重要的是，F(xiàn)igure針對該特定場景，進一步探討了數(shù)據(jù)質(zhì)量和數(shù)量之間的權(quán)衡關(guān)系，并初步發(fā)現(xiàn)：

僅用8小時精心挑選的數(shù)據(jù)就能訓(xùn)練出一個靈活且適應(yīng)性強的策略。

下面具體展開。

在物流場景下，關(guān)鍵環(huán)節(jié)包括包裝處理和分類，主要是需要將包裹在傳送帶上轉(zhuǎn)移并確保標(biāo)簽正確掃描。

聽起來是不是很簡單，但如果要讓機器人取代人類來完成這項工作，面臨的挑戰(zhàn)在于：

包裹的尺寸、形狀、重量等各異，機器人不僅要能拿起來，而且需要確定最佳抓取和轉(zhuǎn)移時間，甚至放錯了之后還能立馬糾正。

為了實現(xiàn)上述目標(biāo)，F(xiàn)igure首先改進了Helix系統(tǒng)1的視覺能力。

新一代系統(tǒng)1通過采用立體視覺骨干網(wǎng)絡(luò)和多尺度特征提取網(wǎng)絡(luò)來增強其空間理解能力。

簡單說，系統(tǒng)不再獨立處理來自每個攝像頭的圖像特征，而是首先在多尺度立體網(wǎng)絡(luò)中合并兩個攝像頭的特征，然后再進行標(biāo)記化（Tokenize）處理。

這樣做的好處是，保持了輸入到交叉注意力transformer的視覺tokens總數(shù)不變，避免了計算開銷。

同時，多尺度特征提取網(wǎng)絡(luò)能夠同時捕捉到細節(jié)和更廣泛的上下文信息，這有助于提高操作的準(zhǔn)確性和可靠性。

此外，為了解決在多個機器人上部署統(tǒng)一策略時遇到的挑戰(zhàn)，以及如何通過在線自我校準(zhǔn)來實現(xiàn)跨機器人策略遷移。

例如由于機器人硬件差異導(dǎo)致的觀察和動作空間的分布偏移，傳統(tǒng)的手動校準(zhǔn)方法不適用于大規(guī)模機器人群體。

Figure訓(xùn)練了一個視覺自體感覺模型（visual proprioception model），這個模型可以讓每個機器人通過自身的視覺輸入來自我校準(zhǔn)，估算出機械臂末端（即抓取物體的部分）的精確位置和姿態(tài)。

并且這種自我校準(zhǔn)是在線進行的，也就是說機器人可以在工作的同時進行校準(zhǔn)，這樣就能最大程度地減少因校準(zhǔn)而需要停止工作的時間。

順便一提，訓(xùn)練過程中，F(xiàn)igure排除了那些較慢的、遺漏的或失敗的案例，不過特意保留了包含糾正行為的案例（非遙控操作員導(dǎo)致，自然產(chǎn)生）。

最后，為了達到并超過人類的操作速度，F(xiàn)igure采用了一種被稱為“運動模式”的test-time加速技術(shù)。

具體來說，他們讓系統(tǒng)1以每秒200次的頻率輸出一系列動作，這些動作被稱為動作“塊”（action “chunks”）。

然后采用了一種插值方法來加速這些動作塊的執(zhí)行。插值是一種數(shù)學(xué)方法，可以在原有數(shù)據(jù)點之間生成新的數(shù)據(jù)點。在這里，他們將原本的動作塊（比如代表T毫秒的動作）通過插值縮短為0.8T毫秒的動作塊，但是仍然以每秒200次的頻率執(zhí)行這些縮短后的動作塊。

這種方法不需要改變機器人的訓(xùn)練過程，只是在test-time對動作執(zhí)行進行加速。通過這種方法，F(xiàn)igure機器人能夠在實際測試中實現(xiàn)高達20%的速度提升。

Figure創(chuàng)始人：未來四年交付10萬臺

總之，技術(shù)升級讓Figure走進工廠的速度更快了。

官方提到的第1個客戶，應(yīng)該是指去年8月發(fā)布的Figure 02進寶馬工廠從事汽車裝配的事兒。

當(dāng)時寶馬工廠花了12個月才給機器人安排好合適的工作，而這一次，機器人正式上崗物流僅用了30天時間。

也難怪Figure創(chuàng)始人有底氣宣布，未來四年要交付10萬臺人形機器人。

另一方面，隨著國內(nèi)外各家機器人紛紛“進廠打工”，大家逐漸達成了一個共識：

2025是機器人量產(chǎn)關(guān)鍵之年

從各家demo來看，人形機器人的技術(shù)已基本成熟，因此接下來的爭奪主要圍繞量產(chǎn)展開，而且要往實際生產(chǎn)場景走了。

比如在一家上海機器人工廠內(nèi)，大批“未來工人”正在生產(chǎn)ing。

嗯，都卷起來吧！