作者| 金旺

欄目| 機(jī)器人新紀(jì)元

2023年的人形機(jī)器人熱潮，以迅雷不及掩耳之勢(shì)席卷了全球。

這年8月，在WRC 2023上，優(yōu)必選董事長(zhǎng)兼CEO周劍在演講中分析人形機(jī)器人未來(lái)趨勢(shì)和優(yōu)必選發(fā)展歷路時(shí)，優(yōu)必選新一代人形機(jī)器人也悄然出現(xiàn)在了未來(lái)規(guī)劃中。

這款當(dāng)時(shí)并未對(duì)外透露太多信息的人形機(jī)器人，正是這年年底與周劍一同在優(yōu)必選上市現(xiàn)場(chǎng)完成敲鑼儀式的Walker S。

這之后，我們看到，Walker S開(kāi)始進(jìn)入汽車(chē)工廠，在工業(yè)場(chǎng)景中進(jìn)行實(shí)地測(cè)試，例如在汽車(chē)工廠流水線上與人類(lèi)協(xié)作完成汽車(chē)裝配、質(zhì)檢任務(wù)。

自著手研發(fā)人形機(jī)器人到真正讓人形機(jī)器人進(jìn)入到汽車(chē)工廠中，算上初代原型機(jī)，優(yōu)必選研發(fā)團(tuán)隊(duì)先后研發(fā)了五代產(chǎn)品，技術(shù)攻關(guān)了近十二年。

近期，人工智能技術(shù)再次迎來(lái)范式突破，人形機(jī)器人也在大模型的加持下進(jìn)入實(shí)際產(chǎn)業(yè)場(chǎng)景。

優(yōu)必選科技副總裁、研究院執(zhí)行院長(zhǎng)焦繼超告訴科技行者，“在大模型的加持下，人形機(jī)器人的能力得到了極大的提升，尤其是在實(shí)際使用和用戶(hù)體驗(yàn)上都有了不小的進(jìn)步。”

“這讓人形機(jī)器人在實(shí)際場(chǎng)景中具備了更強(qiáng)的魯棒性和適應(yīng)性。”

01 落地前夜

2024年4月1日，優(yōu)必選與百度官宣合作，優(yōu)必選人形機(jī)器人Walker S接入百度文心大模型，在大模型的加持下，人形機(jī)器人學(xué)會(huì)了疊衣服、學(xué)會(huì)了分揀歸類(lèi)。

這次演示中，在現(xiàn)場(chǎng)工程師的配合下，Walker S也多了幾分靈性。

優(yōu)必選是國(guó)內(nèi)最早做人形機(jī)器人的商業(yè)團(tuán)隊(duì)之一，早在2016年，優(yōu)必選開(kāi)始研發(fā)第一代人形機(jī)器人原型機(jī)，和大多數(shù)追求人形機(jī)器人技術(shù)自研的團(tuán)隊(duì)一樣，優(yōu)必選先從人形機(jī)器人下半身和運(yùn)動(dòng)控制算法做起。

在之后的幾年里，優(yōu)必選人形機(jī)器人以每1-2年進(jìn)行一次大版本迭代的速度，學(xué)會(huì)了越來(lái)越多人類(lèi)的技能，也變得越來(lái)越智能。

實(shí)際上，優(yōu)必選研究院早在2016年就已經(jīng)成立，焦繼超告訴科技行者，“研究院很早就以人形機(jī)器人量產(chǎn)落地為目標(biāo)，從軟硬件兩方面進(jìn)行了技術(shù)拆解和全棧技術(shù)自研。”

例如，硬件方面，優(yōu)必選重點(diǎn)自研了人形機(jī)器人的一體化關(guān)節(jié)，優(yōu)必選Walker S上搭載的最新自研一體化關(guān)節(jié)，峰值扭矩已經(jīng)達(dá)到了300N.m。

軟件方面，優(yōu)必選則是劃分出了多模態(tài)感知、定位導(dǎo)航、運(yùn)動(dòng)控制、語(yǔ)音交互，以及現(xiàn)在與大模型相關(guān)的技術(shù)，不斷進(jìn)行著技術(shù)攻關(guān)。

以涉及目標(biāo)檢測(cè)、識(shí)別、語(yǔ)義分割等技術(shù)的定位導(dǎo)航和路徑規(guī)劃技術(shù)為例：

早年間，人形機(jī)器人定位導(dǎo)航和路徑規(guī)劃技術(shù)普遍基于預(yù)設(shè)路徑方式，這一技術(shù)路徑的好處是算法模型簡(jiǎn)單，但由于只能實(shí)現(xiàn)固定位置移動(dòng)和操作，這一階段的人形機(jī)器人更多被用于科研領(lǐng)域，難以在商用場(chǎng)景發(fā)揮太大作用。

區(qū)別于傳統(tǒng)預(yù)設(shè)路徑技術(shù)路線，人工智能技術(shù)的突破讓自主決策和自主路徑規(guī)劃成為可能。

優(yōu)必選最早是在導(dǎo)航系統(tǒng)中加入了自主規(guī)劃能力。

“導(dǎo)航系統(tǒng)中的自主規(guī)劃實(shí)現(xiàn)起來(lái)相對(duì)簡(jiǎn)單，主要解決的是計(jì)算從A點(diǎn)到B點(diǎn)的最短路徑，以及一些避障問(wèn)題，”焦繼超告訴科技行者。

而將語(yǔ)義感知、手眼協(xié)同上的運(yùn)動(dòng)控制加入到優(yōu)必選人形機(jī)器人的網(wǎng)絡(luò)系統(tǒng)中，是2021年的事兒。

2021年7月7日，在WRC 2021開(kāi)幕當(dāng)天，優(yōu)必選新一代人形機(jī)器人Walker X正式對(duì)外發(fā)布。

Walker X身高1.3米，體重63kg，最快行走速度能夠達(dá)到3km/h，在步態(tài)規(guī)劃、柔順力控、視覺(jué)感知、語(yǔ)音交互等方面進(jìn)行了一系列技術(shù)提升。在WRC 2021現(xiàn)場(chǎng)，優(yōu)必選演示了Walker X上樓梯、下象棋、單腿平衡、手眼協(xié)同等能力。

據(jù)焦繼超透露，“在這一代人形機(jī)器人上，我們已經(jīng)在驗(yàn)證語(yǔ)義VSLAM這樣的全自主規(guī)劃技術(shù)。”

以手眼協(xié)調(diào)為例，當(dāng)Walker X通過(guò)視覺(jué)系統(tǒng)識(shí)別到需要抓取的物體后，它會(huì)自己識(shí)別出抓取點(diǎn)的位置、規(guī)劃出抓取該物體的路徑，自主完成這一任務(wù)的執(zhí)行過(guò)程。

這之后的兩年里，優(yōu)必選研究院繼續(xù)對(duì)用于人形機(jī)器人的語(yǔ)義VSLAM算法進(jìn)行優(yōu)化，經(jīng)過(guò)多次技術(shù)迭代后，如今，這套算法已經(jīng)可以讓W(xué)alker S進(jìn)入汽車(chē)工廠，去到實(shí)際工業(yè)場(chǎng)景中真正做一些事。

02 中樞神經(jīng)大模型

“現(xiàn)在Walker S上用的語(yǔ)義VSLAM系統(tǒng)和特斯拉Optimus的類(lèi)似，都是通過(guò)對(duì)被識(shí)別物體進(jìn)行特征提取，然后與空間位置信息進(jìn)行關(guān)聯(lián)，并通過(guò)端側(cè)控制器實(shí)現(xiàn)完全自主的端到端路徑規(guī)劃和運(yùn)動(dòng)控制。”

談及如今Walker S的自主定位導(dǎo)航能力，焦繼超如是說(shuō)。

實(shí)際上，從Walker X進(jìn)化到Walker S，優(yōu)必選研究院對(duì)人形機(jī)器人關(guān)鍵技術(shù)進(jìn)行了全方位的升級(jí)，Walker S的身高按照平均男性身高重新設(shè)計(jì)成了170cm，關(guān)節(jié)扭矩做到了300N.m，控制器算力也升級(jí)到了200T。

更重要的是，這一年，優(yōu)必選為Walker S接入了大模型。

焦繼超告訴科技行者，“大模型解決的是人形機(jī)器人泛化性的問(wèn)題。”

在此之前，人形機(jī)器人進(jìn)入到實(shí)際應(yīng)用場(chǎng)景中時(shí)，遇到最大的問(wèn)題是“非標(biāo)”問(wèn)題，這是因?yàn)閭鹘y(tǒng)基于決策樹(shù)或狀態(tài)機(jī)構(gòu)建的算法模型普遍遵循參數(shù)模型化思路，基于這一思路構(gòu)建起的模型適應(yīng)能力很差，一旦人形機(jī)器人的應(yīng)用場(chǎng)景發(fā)生變化，模型就需要迭代，甚至重寫(xiě)。

這就造成了要將人形機(jī)器人部署到實(shí)際應(yīng)用環(huán)境中，就需要針對(duì)不同應(yīng)用場(chǎng)景中的問(wèn)題逐個(gè)解決。

有了大模型后，人形機(jī)器人的算法模型的適應(yīng)性和泛化能力得到了極大的提升，再讓人形機(jī)器人進(jìn)入新場(chǎng)景時(shí)，只需要讓人形機(jī)器人進(jìn)行簡(jiǎn)單適配，就能夠在不同場(chǎng)景中進(jìn)行應(yīng)用。

這時(shí)，優(yōu)必選需要花更多時(shí)間解決的問(wèn)題已經(jīng)轉(zhuǎn)變?yōu)?，?dāng)面對(duì)具體場(chǎng)景時(shí)，如何提高模型的魯棒性，讓人形機(jī)器人因大模型提升的適應(yīng)性和部署效率能夠在真實(shí)應(yīng)用環(huán)境中得到切實(shí)落地。

焦繼超和他的團(tuán)隊(duì)想到的辦法是，將大模型輕量化，轉(zhuǎn)換為“小模型”應(yīng)用到人形機(jī)器人上，在人形機(jī)器人上形成端到端的AI能力。

接著再通過(guò)優(yōu)必選這些年積累的數(shù)據(jù)、場(chǎng)景，將搭載這些AI模型的人形機(jī)器人快速推到客戶(hù)的實(shí)際應(yīng)用場(chǎng)景中進(jìn)行測(cè)試，焦繼超和他的團(tuán)隊(duì)再?gòu)闹锌偨Y(jié)、抽取出共性任務(wù)和功能進(jìn)行適配和解耦，優(yōu)化端側(cè)“小模型”。

焦繼超以Walker S已經(jīng)進(jìn)入到的工業(yè)場(chǎng)景為例介紹稱(chēng)，“不同工廠環(huán)境中有80%的功能需求是通用的，我們只需要針對(duì)剩余20%的需求，根據(jù)用戶(hù)需求和場(chǎng)景變化，通過(guò)現(xiàn)場(chǎng)采集數(shù)據(jù)進(jìn)行算法模型迭代。”

這樣就避免了以往針對(duì)每個(gè)新需求都要從頭開(kāi)發(fā)算法模型的困境。

不過(guò)，焦繼超也指出，大模型雖然可以提升人形機(jī)器人的泛化能力，但就人形機(jī)器人的基礎(chǔ)功能而言，并不是模型越大越好。

在優(yōu)必選的人形機(jī)器人系統(tǒng)中，多模態(tài)感知、運(yùn)動(dòng)控制、定位導(dǎo)航等模塊，優(yōu)必選研發(fā)團(tuán)隊(duì)都會(huì)結(jié)合不同的深度學(xué)習(xí)小模型來(lái)實(shí)現(xiàn)，只有當(dāng)涉及到抽象任務(wù)拆解和推理，大模型將會(huì)發(fā)揮類(lèi)似中樞神經(jīng)的重要作用。

這其中，大模型解決的最重要的是決策問(wèn)題。

焦繼超解釋稱(chēng)，“在人形機(jī)器人幾個(gè)功能模塊中，決策是最抽象，也是最難做的一個(gè)模塊，因?yàn)樾枰鶕?jù)不同的感知信息來(lái)進(jìn)行推理，它有更多的推理過(guò)程，而這是大模型擅長(zhǎng)的。”

在前不久優(yōu)必選官方發(fā)布的搭載百度文心一言大模型的Walker S進(jìn)行智能分揀視頻中，Walker S正是通過(guò)調(diào)用文心一言大模型進(jìn)行的子任務(wù)拆解和推理，配合視覺(jué)語(yǔ)言模型保證檢測(cè)精度和泛化抓取，這才有了當(dāng)時(shí)的演示效果。

焦繼超告訴科技行者，“如今的Walker S從感知到?jīng)Q策都已經(jīng)接入了不同的AI模型，再輔以大模型的智能調(diào)度，Walker S實(shí)現(xiàn)了一定意義上的全AI能力。”

然而，大模型雖然帶來(lái)了泛化能力，讓人形機(jī)器人走到了真實(shí)場(chǎng)景中，但也帶來(lái)了對(duì)海量數(shù)據(jù)的需求。

03 破壁數(shù)據(jù)瓶頸

大模型熱潮背后，本質(zhì)上是一次人工智能范式的升級(jí)。

上一代人工智能是以卷積神經(jīng)網(wǎng)絡(luò)為標(biāo)準(zhǔn)網(wǎng)絡(luò)架構(gòu)，如今的大模型背后，則是以Transformer為標(biāo)準(zhǔn)網(wǎng)絡(luò)架構(gòu)。

“數(shù)據(jù)和場(chǎng)景的不斷積累，推動(dòng)了人工智能在網(wǎng)絡(luò)架構(gòu)上的技術(shù)進(jìn)步，”焦繼超如是說(shuō)。

與此同時(shí)，大模型相關(guān)技術(shù)的出現(xiàn)，在一定程度上又反過(guò)來(lái)解決了人工智能數(shù)據(jù)量不足的這一瓶頸問(wèn)題。

在優(yōu)必選內(nèi)部，就用于人形機(jī)器人訓(xùn)練的數(shù)據(jù)的收集有這樣一個(gè)“二八定律”：

用于人形機(jī)器人訓(xùn)練的20%的數(shù)據(jù)，由真實(shí)的機(jī)器人在實(shí)際場(chǎng)景中進(jìn)行遙操作收集而來(lái)，80%的數(shù)據(jù)則是在仿真環(huán)境下生成而來(lái)。

就前者而言，焦繼超告訴科技行者，“人形機(jī)器人區(qū)別于其他機(jī)器人的靈巧操作，例如工具使用、工廠中的零件分揀，這些需要通過(guò)收集真實(shí)環(huán)境中的現(xiàn)場(chǎng)數(shù)據(jù)獲得，另一方面，諸如桌椅板凳、地面墻面、人類(lèi)和環(huán)境等通用目標(biāo)識(shí)別，則可以通過(guò)我們此前基于其他類(lèi)型機(jī)器人積累的數(shù)據(jù)來(lái)直接訓(xùn)練人形機(jī)器人。”

就后者而言，如今業(yè)界普遍應(yīng)用的方法是Sim2Real，也就是在仿真環(huán)境下生成數(shù)據(jù)，大模型的本質(zhì)是生成式AI，生成人形機(jī)器人的訓(xùn)練數(shù)據(jù)，自然也成了其能力之一。

為此，優(yōu)必選自己搭建了人形機(jī)器人智能仿真系統(tǒng)UNDERS2，通過(guò)這一系統(tǒng)，優(yōu)必選可以低成本地為人形機(jī)器人模擬和生成多樣化的場(chǎng)景。

當(dāng)然，大模型的生成魔力在人形機(jī)器人領(lǐng)域應(yīng)用僅僅一年有余，在進(jìn)行具體人形機(jī)器人的模型訓(xùn)練過(guò)程中依然存在不少問(wèn)題。

數(shù)據(jù)可信是焦繼超看到的第一個(gè)問(wèn)題。

以最近很火的Sora為例，當(dāng)它基于真實(shí)世界中的數(shù)據(jù)生成新的場(chǎng)景數(shù)據(jù)時(shí)，可能會(huì)遵循物理規(guī)律，也能夠像在真實(shí)世界中一樣進(jìn)行合理分布，但無(wú)法保證所生成的數(shù)據(jù)可信度。

數(shù)據(jù)冗余是焦繼超看到的第二個(gè)問(wèn)題。

基于已知數(shù)據(jù)生成的新數(shù)據(jù)，可能生成了10萬(wàn)張，甚至100萬(wàn)張圖片，但最終真正有用的可能只有6萬(wàn)張或8萬(wàn)張，其余的新增數(shù)據(jù)都是沒(méi)什么用的冗余數(shù)據(jù)。

在這個(gè)過(guò)程中，如何生成或甄別高可信數(shù)據(jù)，以及如何盡量避免生成大量冗余數(shù)據(jù)，就成了人形機(jī)器人大模型發(fā)展過(guò)程中的一個(gè)不可忽視的問(wèn)題。

“數(shù)據(jù)確實(shí)是現(xiàn)在人形機(jī)器人發(fā)展的一大瓶頸”，焦繼超如是說(shuō)。

如何提升數(shù)據(jù)質(zhì)量和可信度，在人形機(jī)器人訓(xùn)練階段、測(cè)試驗(yàn)證階段如何設(shè)定真實(shí)數(shù)據(jù)與生成數(shù)據(jù)的比例，每個(gè)人形機(jī)器人團(tuán)隊(duì)都有自己的經(jīng)驗(yàn)。

而用于端到端大模型訓(xùn)練的數(shù)據(jù)集，也將是人形機(jī)器人接下來(lái)行業(yè)競(jìng)爭(zhēng)的一大壁壘。

04 讓人形機(jī)器人先進(jìn)入工廠

2022年12月，谷歌RT-1模型發(fā)布。

這是一個(gè)機(jī)器人端到端模型，只要通過(guò)圖像或文本輸入一段任務(wù)描述，就可以控制機(jī)器人執(zhí)行相應(yīng)的動(dòng)作。

憑借在指定環(huán)境中高達(dá)97%的任務(wù)執(zhí)行成功率，谷歌的RT系列在全球范圍內(nèi)迅速獲得了廣泛的關(guān)注。然而，在這一項(xiàng)目中，依然存在一個(gè)不可忽視的短板，那就是場(chǎng)景泛化能力。

同樣關(guān)注到這一項(xiàng)目的焦繼超解釋稱(chēng)，“谷歌RT系列用到的是強(qiáng)化學(xué)習(xí)算法，強(qiáng)化學(xué)習(xí)的優(yōu)點(diǎn)是能夠構(gòu)建一個(gè)純端到端的控制模型，但是它對(duì)動(dòng)態(tài)環(huán)境的響應(yīng)能力和適應(yīng)性一直比較差。”

實(shí)際上，焦繼超在做人形機(jī)器人時(shí)，也會(huì)遇到一些人稱(chēng)用強(qiáng)化學(xué)習(xí)已經(jīng)能夠讓人形機(jī)器人實(shí)現(xiàn)怎樣的能力，這時(shí)，焦繼超通常會(huì)再問(wèn)一個(gè)問(wèn)題：這樣的人形機(jī)器人在動(dòng)態(tài)場(chǎng)景運(yùn)行的怎么樣？

“很多基于強(qiáng)化學(xué)習(xí)的人形機(jī)器人，往往在同一個(gè)場(chǎng)景中加一個(gè)動(dòng)態(tài)目標(biāo)，運(yùn)動(dòng)能力很可能就會(huì)‘失效’。”

焦繼超告訴科技行者，泛化能力往往取決于兩項(xiàng)指標(biāo)，一是數(shù)據(jù)，二是技術(shù)路線。

優(yōu)必選的技術(shù)路線是通過(guò)大模型做決策控制，通過(guò)結(jié)合深度學(xué)習(xí)的小模型構(gòu)建功能模塊，來(lái)構(gòu)建擁有泛化能力的人形機(jī)器人。

優(yōu)必選真正開(kāi)始結(jié)合大模型技術(shù)做人形機(jī)器人研究，是在2023年，當(dāng)深入其中后，焦繼超發(fā)現(xiàn)依然有不少難題，諸如數(shù)據(jù)場(chǎng)景夠不夠，如何做模型與動(dòng)作的匹配，端側(cè)模型如何做輕量化。

要解決這些問(wèn)題，需要大量的算法研發(fā)、優(yōu)化和驗(yàn)證工作，焦繼超和他的團(tuán)隊(duì)前前后后花了有一年多的時(shí)間，將定位精度做到了±3cm，定位頻率做到了20幀/秒，這才讓優(yōu)必選的Walker S真正有了落地能力。

在這個(gè)過(guò)程中，國(guó)內(nèi)一些汽車(chē)廠商開(kāi)始找到優(yōu)必選，希望能夠與優(yōu)必選合作，將人形機(jī)器人應(yīng)用到汽車(chē)生產(chǎn)環(huán)節(jié)。

之所以汽車(chē)廠商想要將人形機(jī)器人應(yīng)用到汽車(chē)生產(chǎn)工廠中，是因?yàn)榘殡S著老齡化加劇，這些工廠已經(jīng)面臨著招工難的問(wèn)題。

一邊是年輕人不再愿意進(jìn)入工廠做這些枯燥的工作，工廠招工面臨難題，另一面則是人工成本越來(lái)越高，導(dǎo)致最終產(chǎn)品是否依然能夠在全球市場(chǎng)競(jìng)爭(zhēng)中依然擁有足夠的競(jìng)爭(zhēng)力的問(wèn)題。

這使得即便現(xiàn)在人形機(jī)器人還難以高效地在工廠中執(zhí)行任務(wù)，汽車(chē)廠商依然愿意提前布局，為未來(lái)做技術(shù)儲(chǔ)備。

而之所以人形機(jī)器人普遍會(huì)將汽車(chē)工廠作為第一個(gè)落地應(yīng)用場(chǎng)景，焦繼超稱(chēng)，“主要是因?yàn)楣S是一個(gè)通用性比較高，也是一個(gè)比較可控的場(chǎng)景。”

實(shí)際上，用于工廠場(chǎng)景的人形機(jī)器人，也將是首先進(jìn)入批量生產(chǎn)的人形機(jī)器人。

焦繼超告訴科技行者，量產(chǎn)是人形機(jī)器人區(qū)別于產(chǎn)品研發(fā)另一個(gè)重要階段。

如果是產(chǎn)品研發(fā)，實(shí)驗(yàn)室有一兩臺(tái)人形機(jī)器人搭建成功就可以對(duì)外發(fā)布，而如果是量產(chǎn)，則對(duì)人形機(jī)器人的穩(wěn)定性、可靠性，以及人形機(jī)器人的生產(chǎn)制造工藝有著很高的要求，即便是百分之一的誤差，都會(huì)造成很大影響。

優(yōu)必選針對(duì)工廠場(chǎng)景應(yīng)用的人形機(jī)器人，如今也有了明確計(jì)劃：

今年內(nèi)進(jìn)入新能源汽車(chē)產(chǎn)線實(shí)訓(xùn)，并在年底前完成交付，明年將進(jìn)行小批量交付。

這一年，在大模型的加持下，人形機(jī)器人繼續(xù)加速進(jìn)化，在工業(yè)場(chǎng)景中開(kāi)始尋找破壁的機(jī)會(huì)。