懶得打掃房間，那就直接交給機器人來做吧。
想吃零食了，機器人也能幫你服務，薯片和紙巾都給你貼心備好。
而且，這個機器人只需要一個單一的預訓練模型，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。
要知道，在以往機器人執(zhí)行命令時，處理這些不同的任務時，IO 規(guī)范、神經(jīng)網(wǎng)絡體系結構和目標等都是不一樣的。
現(xiàn)在，這個問題谷歌解決了，他們研究出了適用于機器人領域的 Transformer 模型：RT-1，甚至被人戲稱為 RoboGPT。
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 是指基礎運動的三個維度，即在地面運動時的 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，基礎運動，或終止任務。
而 RT-1 執(zhí)行任務時，它的底層邏輯還是純粹的監(jiān)督式學習，要做好監(jiān)督式學習，就得具備兩個條件：
豐富的數(shù)據(jù)集 和強大的神經(jīng)結構。
首先是數(shù)據(jù)集，RT-1 是在一個大規(guī)模的、真實世界的機器人數(shù)據(jù)集上進行訓練的，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；
使用了 13 個機器人；
歷時 17 個月。
然后就是 RT-1 的結構了，它執(zhí)行任務的過程如下圖所示。
具體來說，圖像和文本先通過 ImageNet 預訓練的卷積神經(jīng)網(wǎng)絡（EfficientNet）進行處理。
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。
這樣一來，RT-1 便能很好地提取與手頭任務相關的視覺特征。
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，基礎運動以及模式便能夠執(zhí)行任務了。
在執(zhí)行任務的整個過程中，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先設置的時間步驟數(shù)。
不過話說回來，既然這個機器人能夠執(zhí)行多任務，那它執(zhí)行通用任務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）以及真實場景（第三行）的魯棒性。
并與其他基于模仿學習的基線進行比較，結果如下圖所示（第一項為訓練期間的表現(xiàn)）。
顯而易見，在每個任務類別中，RT-1 都明顯優(yōu)于以前的模型。
研究團隊
這個機器人來自谷歌，研究團隊的成員也比較龐大，分別來自三個研究團隊：
首先是 Robotics at Google，它是 Google Research 下的一個細分領域團隊，目前正在探索“如何教機器人可轉(zhuǎn)移的技能”。
并且他們也在不斷公開其訓練的數(shù)據(jù)，以幫助推進這一領域的最先進水平。
然后是 Everyday Robots ，它是 X-登月工廠的一個細分領域團隊，和谷歌團隊一起工作，目前他們正在制造一種新型機器人，一個可以自學的，可以幫助任何人做任何事情的通用機器人。
還有就是 Google Research，它是 Google 公司內(nèi)部進行各種最先進技術研究的部門，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
參考鏈接：
https://robotics-transformer.github.io/
本文來自微信公眾號：量子位 （ID：QbitAI），作者：Pine
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結果僅供參考，IT之家所有文章均包含本聲明。