只靠一張物體圖片，大語言模型就能控制機械臂完成各種日常物體操作嗎？

北大最新具身大模型研究成果ManipLLM將這一愿景變成了現(xiàn)實：

在提示詞的引導(dǎo)下，大語言模型在物體圖像上直接預(yù)測機械臂的操作點和方向。

進(jìn)而，得以操控機械臂直接玩轉(zhuǎn)各項具體的任務(wù)：

例如打開抽屜、冰箱，揭鍋蓋、掀馬桶蓋……

作者表示：

該方法利用LLM的推理和面對開放世界的泛化能力，成功提升了模型在物體操縱方面的泛化能力。

在仿真和真實世界中，ManipLLM在各種類別的物體上均取得了令人滿意的效果，證明了其在多樣化類別物體中的可靠性和適用性。

與谷歌RT2等輸出機器人本體動作的策略相比(如下圖所示)，該方法側(cè)重于以物體為中心（Object-centric）的操縱，關(guān)注物體本身，從而輸出機器人對物體操縱的位姿。

以物體為中心的操縱策略，設(shè)計針對物體本身特性的表征，與任務(wù)、動作、機器人型號無關(guān)。

這樣就可以將物體和任務(wù)及環(huán)境解耦開來，使得方法本身可以適應(yīng)于各類任務(wù)、各類機器人，從而實現(xiàn)面對復(fù)雜世界的泛化。

目前，該工作已被CVPR 2024會議接收，團(tuán)隊由北大助理教授、博導(dǎo)董豪領(lǐng)銜。

大模型如何直接操控機械臂？

大多的具身操縱工作主要依賴大語言模型的推理能力來進(jìn)行任務(wù)編排和規(guī)劃。

然而，鮮有研究探索大語言模型在實現(xiàn)低層原子任務(wù)（low-level action）方面的潛力。

因此，該方法致力于探索和激發(fā)大語言模型在預(yù)測低層原子任務(wù)的能力，從而實現(xiàn)對更多類別物體的以物體為中心（object-centric）的通用操縱。

具體而言，通過以下三個學(xué)習(xí)階段，ManipLLM實現(xiàn)了具有泛化能力的以物體為中心的操縱：

1）類別級別（category-level）：識別物體類別；

2）區(qū)域級別（region-level）：預(yù)測物體的可操縱性分?jǐn)?shù)（affordance score），反映哪些部位更可能被操縱；

3）位姿級別：預(yù)測操作物體的位姿。在訓(xùn)練時，模型只更新適配器模塊（adapter），這樣既可以保有LLMs本身的能力，同時賦予其具身操縱的能力。

在獲得初始接觸姿態(tài)的輸出后，該方法利用一種無需學(xué)習(xí)的閉環(huán)主動式阻抗適應(yīng)策略，來完成完整的操縱。

它的作用是不斷地微調(diào)末端執(zhí)行器的旋轉(zhuǎn)方向，這樣就能夠靈活地適應(yīng)物體的形狀和軸向，從而逐步地完成對物體的操控任務(wù)。

具體來說，我們會在當(dāng)前方向的周圍加入一些微小的變化，生成多個可能的移動方向。

然后我們會試著每個方向輕輕地移動一下，看看哪個方向可以讓物體移動最遠(yuǎn)，然后我們選擇這個方向作為下一步的移動方向。

在推理階段，該模型只需輸入兩個信息：

1）文本提示：“請指出操縱物體的接觸點和夾爪方向?！?span>（Specify the contact point and gripper direction of manipulating the object)；

2）一張RGB圖片。然后，模型就能夠輸出物體操縱的2D坐標(biāo)和旋轉(zhuǎn)信息。其中，2D坐標(biāo)會通過深度圖映射到3D空間。

更多細(xì)節(jié)可查看論文原文：https://arxiv.org/pdf/2312.16217.pdf
和項目主頁：https://sites.google.com/view/manipllm