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。

懶得打掃房間，那就直接交給機(jī)器人來做吧。

想吃零食了，機(jī)器人也能幫你服務(wù)，薯片和紙巾都給你貼心備好。

而且，這個機(jī)器人只需要一個單一的預(yù)訓(xùn)練模型，就能從不同的感官輸入 （如視覺、文本等）中生成命令，來執(zhí)行多種任務(wù)。

要知道，在以往機(jī)器人執(zhí)行命令時，處理這些不同的任務(wù)時， IO 規(guī)范、神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)和目標(biāo)等都是不一樣的。

現(xiàn)在，這個問題谷歌解決了，他們研究出了適用于機(jī)器人領(lǐng)域的Transformer模型：RT-1，甚至被人戲稱為RoboGPT。

△圖源：推特@Jim Fan

更重要的是，RT-1代碼已開源！

具體原理

先來整體看看RT-1，它執(zhí)行任務(wù)主要依靠的就是：7+3+1。

所謂7，是指它的手臂有7個自由度，分別是x，y，z，滾動，俯仰，偏航，手爪開口。

3是指基礎(chǔ)運(yùn)動的三個維度，即在地面運(yùn)動時的x，y，偏航。

1則指RT-1的整體控制，即切換這三種模式：控制手臂，基礎(chǔ)運(yùn)動，或終止任務(wù)。

△圖源：Everyday Robots

而RT-1執(zhí)行任務(wù)時，它的底層邏輯還是純粹的監(jiān)督式學(xué)習(xí)，要做好監(jiān)督式學(xué)習(xí)，就得具備兩個條件：

豐富的數(shù)據(jù)集 和強(qiáng)大的神經(jīng)結(jié)構(gòu)。

首先是數(shù)據(jù)集，RT-1是在一個大規(guī)模的、真實(shí)世界的機(jī)器人數(shù)據(jù)集上進(jìn)行訓(xùn)練的，可以用4個數(shù)字來概括：13萬、700+、13、17，分別表示：

• 包括13萬個片段；
• 涵蓋700多個任務(wù)；
• 使用了13個機(jī)器人；
• 歷時17個月。

然后就是RT-1的結(jié)構(gòu)了，它執(zhí)行任務(wù)的過程如下圖所示。

具體來說，圖像和文本先通過ImageNet預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)（EfficientNet）進(jìn)行處理。

在這其中，為了確保文本和圖像同路能夠很好地被整合在一起，RT-1還使用了FiLM層，這是一種通過語言嵌入來調(diào)節(jié)視覺活動的經(jīng)典技術(shù)。

這樣一來，RT-1便能很好地提取與手頭任務(wù)相關(guān)的視覺特征。

然后這些視覺特征會被Token Learner模塊計算成一組緊湊的token傳遞給Transformer，這使得機(jī)器人的推理速度能夠提高2.4倍以上。

接下來Transformer會來處理這些token并產(chǎn)生離散化的操作token，而操作token便是一開始說的那個7+3+1了。

通過控制手臂，基礎(chǔ)運(yùn)動以及模式便能夠執(zhí)行任務(wù)了。

在執(zhí)行任務(wù)的整個過程中，RT-1還會以3Hz的頻率執(zhí)行閉環(huán)控制和命令操作，直到產(chǎn)生終止操作或用完預(yù)先設(shè)置的時間步驟數(shù)。

不過話說回來，既然這個機(jī)器人能夠執(zhí)行多任務(wù)，那它執(zhí)行通用任務(wù)時的能力到底如何呢？

研究人員分別測試了RT-1對干擾物數(shù)量（第一行）、不同背景和環(huán)境（第二行）以及真實(shí)場景（第三行）的魯棒性。

并與其他基于模仿學(xué)習(xí)的基線進(jìn)行比較，結(jié)果如下圖所示（第一項為訓(xùn)練期間的表現(xiàn)）。

顯而易見，在每個任務(wù)類別中，RT-1都明顯優(yōu)于以前的模型。

研究團(tuán)隊

這個機(jī)器人來自谷歌，研究團(tuán)隊的成員也比較龐大，分別來自三個研究團(tuán)隊：

首先是Robotics at Google，它是Google Research下的一個細(xì)分領(lǐng)域團(tuán)隊，目前正在探索“如何教機(jī)器人可轉(zhuǎn)移的技能”。

并且他們也在不斷公開其訓(xùn)練的數(shù)據(jù)，以幫助推進(jìn)這一領(lǐng)域的最先進(jìn)水平。

然后是Everyday Robots ，它是X-登月工廠的一個細(xì)分領(lǐng)域團(tuán)隊，和谷歌團(tuán)隊一起工作，目前他們正在制造一種新型機(jī)器人，一個可以自學(xué)的，可以幫助任何人做任何事情的通用機(jī)器人。

還有就是Google Research，它是Google公司內(nèi)部進(jìn)行各種最先進(jìn)技術(shù)研究的部門，他們也有自己的開源項目，在GitHub公開。

項目地址：?https://github.com/google-research/robotics_transformer?

?論文地址：???https://arxiv.org/abs/2212.06817?