進(jìn)入多模態(tài)時代，大模型也會操縱無人機(jī)了！

只要視覺模塊捕捉到啟動條件，大模型這個“大腦”就會生成動作指令，接著無人機(jī)便能迅速準(zhǔn)確地執(zhí)行。

北京航空航天大學(xué)智能無人機(jī)團(tuán)隊周堯明教授團(tuán)隊等研究人員，提出了一種基于多模態(tài)大模型的具身智能體架構(gòu)。

目前，這種架構(gòu)已被應(yīng)用于無人機(jī)的操控。

那么這種新的智能體表現(xiàn)如何，又有哪些技術(shù)細(xì)節(jié)呢？

“智能體即大腦”

研究團(tuán)隊利用大模型對多模態(tài)數(shù)據(jù)的理解能力，將真實物理世界的照片、聲音、傳感器數(shù)據(jù)等多源信息融合成能體的感知，將對于真實世界的執(zhí)行器的操作作為智能體的行為。

同時，團(tuán)隊提出了一套“Agent as Cerebrum，Controller as Cerebellum”（智能體即大腦，控制器即小腦）的控制架構(gòu)：

智能體作為大腦這一決策生成器，專注于生成高層級的行為；

控制器作為小腦這一運(yùn)動控制器，專注于將高層級的行為（如期望目標(biāo)點）轉(zhuǎn)換成低層級的系統(tǒng)命令（如旋翼轉(zhuǎn)速）。

具體來說，研究團(tuán)隊認(rèn)為這一成果主要有三項貢獻(xiàn)。

應(yīng)用于實際的新型系統(tǒng)架構(gòu)

研究團(tuán)隊提出了一種應(yīng)用于實際機(jī)器人的新的系統(tǒng)架構(gòu)，將基于多模態(tài)大模型的智能體具象化為大腦。

而機(jī)器人運(yùn)動規(guī)劃器與控制器則被具象化為小腦，機(jī)器人的感知系統(tǒng)類比為人的眼、耳等信息收集器，機(jī)器人的執(zhí)行機(jī)構(gòu)類比為人的手等執(zhí)行器。

△圖1 硬件系統(tǒng)架構(gòu)

這些節(jié)點通過ROS相連，通過ROS中消息的訂閱與發(fā)布或服務(wù)的請求與響應(yīng)實現(xiàn)通信，區(qū)別于傳統(tǒng)的端到端的機(jī)器人大模型控制。

這一架構(gòu)使得Agent可以專注于高層級命令的產(chǎn)生，對于高層級任務(wù)具備更強(qiáng)的智能性，對于實際的執(zhí)行具備更好的魯棒性和可靠性。

△圖2 軟件系統(tǒng)架構(gòu)

新型智能體

在這一架構(gòu)下，作者構(gòu)建了作為大腦的一種智能體AeroAgent。

該智能體主要包括三個部分：

• 一個自動計劃生成模塊，具有多模態(tài)感知監(jiān)測能力，同時擅長進(jìn)行待機(jī)模式下的應(yīng)急突發(fā)事件處理。
• 一個多模態(tài)數(shù)據(jù)記憶模塊，可以用于多模態(tài)記憶檢索和反思，為智能體賦予少樣本學(xué)習(xí)能力。
• 一個具身智能動作模塊，可以建立具身智能體與ROS上其他模塊進(jìn)行穩(wěn)定控制的橋梁，這一模塊提供了對于ROS上其他節(jié)點以操作為橋梁進(jìn)行訪問的能力。

同時，一個動作的完成，可能需要多次操作的交互以從傳感器獲取動作的執(zhí)行所必需的參數(shù)，確保智能體可以根據(jù)綜合態(tài)勢感知及所具備的執(zhí)行器來進(jìn)行穩(wěn)定的embodied action的輸出。

△圖3 AeroAgent模塊架構(gòu)

連接大模型和ROS的橋梁

為了給具身智能體和ROS機(jī)器人系統(tǒng)建立橋梁，讓Agent產(chǎn)生的操作能夠正確地、穩(wěn)定地發(fā)送給ROS并被其他節(jié)點成功執(zhí)行，同時讓其他節(jié)點所提供的信息讓LMM能夠讀取與理解，團(tuán)隊設(shè)計了了ROSchain——

一個連接LLMs/LMMs與ROS的橋梁。

ROSchain通過一套模塊和應(yīng)用程序接口（APIs）簡化了大型模型與機(jī)器人傳感裝置、執(zhí)行單元和控制機(jī)制的集成，為智能體接入ROS系統(tǒng)提供了一個穩(wěn)定的中間件。

為什么選擇無人機(jī)

至于為什么選擇無人機(jī)進(jìn)行該系統(tǒng)架構(gòu)的測試與模擬，研究團(tuán)隊也做了解釋，這主要有三個原因。

首先，如今LMMs中所蘊(yùn)含的web-scale的世界知識，多為第三人稱視角，人型機(jī)器人等領(lǐng)域的具身智能是類似于以人類為主體出發(fā)的第一人稱視角。

而無人機(jī)掛載的相機(jī)（尤其是下視相機(jī)）更加類似于第三人稱視角（上帝視角）的具身智能；

另一方面，現(xiàn)階段的LMMs無論是模型部署還是API服務(wù)，通常受限于計算資源導(dǎo)致響應(yīng)有一定的延遲。

這對于自動駕駛等領(lǐng)域是一個應(yīng)用的障礙，而無人機(jī)的任務(wù)規(guī)劃由于其可以懸停，具備應(yīng)對延遲的能力。

這兩點都導(dǎo)致目前技術(shù)發(fā)展水平下無人機(jī)適合作為先驅(qū)進(jìn)行相關(guān)理論與應(yīng)用的驗證。

第二，目前工業(yè)無人機(jī)領(lǐng)域，如山火救援、農(nóng)林植保、無人放牧、電力巡檢等，多由飛手與專家配合實際操作，智能化任務(wù)執(zhí)行具有工業(yè)需求。

第三，從未來發(fā)展看，多智能體協(xié)同合作在物流、建筑、工廠等領(lǐng)域具備較為明顯的需求。

而在這種領(lǐng)域中，無人機(jī)作為“上帝視角”的具身智能體，適合作為中央節(jié)點的領(lǐng)導(dǎo)者進(jìn)行任務(wù)的分配，其他機(jī)器人可看作無人機(jī)的執(zhí)行器的一環(huán)，所以這一研究也具有未來的發(fā)展前景。

團(tuán)隊在airgen的仿真器上進(jìn)行了模擬實驗，同時選用了DRL等方式作為對照組。結(jié)果如下：

在野外火災(zāi)搜救的場景中，AeroAgent獲得了100分（標(biāo)準(zhǔn)化分?jǐn)?shù)，下同）的成績，平均每步為2.04分。

而單純調(diào)用LLM或基于DRL的智能體都只獲得了29.4分，平均每步0.2，不足AeroAgent的十分之一。

△圖4-1山火救援場景

在著陸任務(wù)中，AeroAgent也以97.4的總分和48.7的每步平均分超過了其他模型。

△圖4-2 海上機(jī)坪著陸場景

而在風(fēng)機(jī)巡檢的測試中，AeroAgent直接成為了唯一能完成該任務(wù)的模型。

△圖4-3 風(fēng)力電機(jī)巡檢場景

導(dǎo)航任務(wù)上，AeroAgent 4.44的每步均分，分別是DRL和純LLM的40倍和近10倍。

△圖4-4 Airgen仿真實驗

團(tuán)隊還在真實場景中進(jìn)行了無人機(jī)系統(tǒng)的測試，以一個簡單的受困群眾引導(dǎo)實驗為例進(jìn)行了案例研究。

△圖5 受困群眾引導(dǎo)案例實驗

團(tuán)隊目前正以這一工作為基礎(chǔ)，在某高原牦牛牧場進(jìn)行無人放牧智能無人機(jī)的實驗，探索其實際應(yīng)用的可能性，并將以“予智能以具身”為目標(biāo)，進(jìn)行其他機(jī)器人/多機(jī)器人合作的智能體落地應(yīng)用探索。

論文地址：https://arxiv.org/abs/2311.15033