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(dòng)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！

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(dòng)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(gè)任務(wù)。

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(gè)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。

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。

一位前微軟研究員評(píng)價(jià)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。

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

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

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(jiǎn)單。

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(dòng)”，也標(biāo)記了“如何行動(dòng)”。

如此一來，再搬出動(dòng)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(gè)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(gè)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(gè)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(gè)優(yōu)化問題，即下面這樣一個(gè)復(fù)雜的公式：

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(gè)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(gè)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(shí)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(gè)物體是對(duì)它具有“吸引力”的，那些物體是具有“排斥性”。

還是以開頭的例子舉

*博客內(nèi)容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀點(diǎn)，如有侵權(quán)請(qǐng)聯(lián)系工作人員刪除。