作者| 金旺

欄目| 機器人新紀元

2023年的人形機器人熱潮，以迅雷不及掩耳之勢席卷了全球。

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

這款當時并未對外透露太多信息的人形機器人，正是這年年底與周劍一同在優(yōu)必選上市現(xiàn)場完成敲鑼儀式的Walker S。

這之后，我們看到，Walker S開始進入汽車工廠，在工業(yè)場景中進行實地測試，例如在汽車工廠流水線上與人類協(xié)作完成汽車裝配、質(zhì)檢任務(wù)。

自著手研發(fā)人形機器人到真正讓人形機器人進入到汽車工廠中，算上初代原型機，優(yōu)必選研發(fā)團隊先后研發(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)再次迎來范式突破，人形機器人也在大模型的加持下進入實際產(chǎn)業(yè)場景。

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

“這讓人形機器人在實際場景中具備了更強的魯棒性和適應(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)必選人形機器人Walker S接入百度文心大模型，在大模型的加持下，人形機器人學會了疊衣服、學會了分揀歸類。

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

優(yōu)必選是國內(nèi)最早做人形機器人的商業(yè)團隊之一，早在2016年，優(yōu)必選開始研發(fā)第一代人形機器人原型機，和大多數(shù)追求人形機器人技術(shù)自研的團隊一樣，優(yōu)必選先從人形機器人下半身和運動控制算法做起。

在之后的幾年里，優(yōu)必選人形機器人以每1-2年進行一次大版本迭代的速度，學會了越來越多人類的技能，也變得越來越智能。

實際上，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器人量產(chǎn)落地為目標，從軟硬件兩方面進行了技術(shù)拆解和全棧技術(shù)自研。”

例如，硬件方面，優(yōu)必選重點自研了人形機器人的一體化關(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、運動控制、語音交互，以及現(xiàn)在與大模型相關(guān)的技術(shù)，不斷進行著技術(shù)攻關(guān)。

以涉及目標檢測、識別、語義分割等技術(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單，但由于只能實現(xiàn)固定位置移動和操作，這一階段的人形機器人更多被用于科研領(lǐng)域，難以在商用場景發(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)劃實現(xiàn)起來相對簡單，主要解決的是計算從A點到B點的最短路徑，以及一些避障問題，”焦繼超告訴科技行者。

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

2021年7月7日，在WRC 2021開幕當天，優(yōu)必選新一代人形機器人Walker X正式對外發(fā)布。

Walker X身高1.3米，體重63kg，最快行走速度能夠達到3km/h，在步態(tài)規(guī)劃、柔順力控、視覺感知、語音交互等方面進行了一系列技術(shù)提升。在WRC 2021現(xiàn)場，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，“在這一代人形機器人上，我們已經(jīng)在驗證語義VSLAM這樣的全自主規(guī)劃技術(shù)。”

以手眼協(xié)調(diào)為例，當Walker X通過視覺系統(tǒng)識別到需要抓取的物體后，它會自己識別出抓取點的位置、規(guī)劃出抓取該物體的路徑，自主完成這一任務(wù)的執(zhí)行過程。

這之后的兩年里，優(yōu)必選研究院繼續(xù)對用于人形機器人的語義VSLAM算法進行優(yōu)化，經(jīng)過多次技術(shù)迭代后，如今，這套算法已經(jīng)可以讓Walker S進入汽車工廠，去到實際工業(yè)場景中真正做一些事。

02 中樞神經(jīng)大模型

“現(xiàn)在Walker S上用的語義VSLAM系統(tǒng)和特斯拉Optimus的類似，都是通過對被識別物體進行特征提取，然后與空間位置信息進行關(guān)聯(lián)，并通過端側(cè)控制器實現(xiàn)完全自主的端到端路徑規(guī)劃和運動控制。”

談及如今Walker S的自主定位導(dǎo)航能力，焦繼超如是說。

實際上，從Walker X進化到Walker S，優(yōu)必選研究院對人形機器人關(guān)鍵技術(shù)進行了全方位的升級，Walker S的身高按照平均男性身高重新設(shè)計成了170cm，關(guān)節(jié)扭矩做到了300N.m，控制器算力也升級到了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器人泛化性的問題。”

在此之前，人形機器人進入到實際應(yīng)用場景中時，遇到最大的問題是“非標”問題，這是因為傳統(tǒng)基于決策樹或狀態(tài)機構(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，一旦人形機器人的應(yīng)用場景發(fā)生變化，模型就需要迭代，甚至重寫。

這就造成了要將人形機器人部署到實際應(yīng)用環(huán)境中，就需要針對不同應(yīng)用場景中的問題逐個解決。

有了大模型后，人形機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，再讓人形機器人進入新場景時，只需要讓人形機器人進行簡單適配，就能夠在不同場景中進行應(yīng)用。

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

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

接著再通過優(yōu)必選這些年積累的數(shù)據(jù)、場景，將搭載這些AI模型的人形機器人快速推到客戶的實際應(yīng)用場景中進行測試，焦繼超和他的團隊再從中總結(jié)、抽取出共性任務(wù)和功能進行適配和解耦，優(yōu)化端側(cè)“小模型”。

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

這樣就避免了以往針對每個新需求都要從頭開發(fā)算法模型的困境。

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

在優(yōu)必選的人形機器人系統(tǒng)中，多模態(tài)感知、運動控制、定位導(dǎo)航等模塊，優(yōu)必選研發(fā)團隊都會結(jié)合不同的深度學習小模型來實現(xiàn)，只有當涉及到抽象任務(wù)拆解和推理，大模型將會發(fā)揮類似中樞神經(jīng)的重要作用。

這其中，大模型解決的最重要的是決策問題。

焦繼超解釋稱，“在人形機器人幾個功能模塊中，決策是最抽象，也是最難做的一個模塊，因為需要根據(jù)不同的感知信息來進行推理，它有更多的推理過程，而這是大模型擅長的。”

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進行智能分揀視頻中，Walker S正是通過調(diào)用文心一言大模型進行的子任務(wù)拆解和推理，配合視覺語言模型保證檢測精度和泛化抓取，這才有了當時的演示效果。

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實現(xiàn)了一定意義上的全AI能力。”

然而，大模型雖然帶來了泛化能力，讓人形機器人走到了真實場景中，但也帶來了對海量數(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。

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

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

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

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

用于人形機器人訓練的20%的數(shù)據(jù)，由真實的機器人在實際場景中進行遙操作收集而來，80%的數(shù)據(jù)則是在仿真環(huán)境下生成而來。

就前者而言，焦繼超告訴科技行者，“人形機器人區(qū)別于其他機器人的靈巧操作，例如工具使用、工廠中的零件分揀，這些需要通過收集真實環(huán)境中的現(xiàn)場數(shù)據(jù)獲得，另一方面，諸如桌椅板凳、地面墻面、人類和環(huán)境等通用目標識別，則可以通過我們此前基于其他類型機器人積累的數(shù)據(jù)來直接訓練人形機器人。”

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，生成人形機器人的訓練數(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器人智能仿真系統(tǒng)UNDERS2，通過這一系統(tǒng)，優(yōu)必選可以低成本地為人形機器人模擬和生成多樣化的場景。

當然，大模型的生成魔力在人形機器人領(lǐng)域應(yīng)用僅僅一年有余，在進行具體人形機器人的模型訓練過程中依然存在不少問題。

數(shù)據(jù)可信是焦繼超看到的第一個問題。

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

數(shù)據(jù)冗余是焦繼超看到的第二個問題。

基于已知數(shù)據(jù)生成的新數(shù)據(jù)，可能生成了10萬張，甚至100萬張圖片，但最終真正有用的可能只有6萬張或8萬張，其余的新增數(shù)據(jù)都是沒什么用的冗余數(shù)據(jù)。

在這個過程中，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)，就成了人形機器人大模型發(fā)展過程中的一個不可忽視的問題。

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

如何提升數(shù)據(jù)質(zhì)量和可信度，在人形機器人訓練階段、測試驗證階段如何設(shè)定真實數(shù)據(jù)與生成數(shù)據(jù)的比例，每個人形機器人團隊都有自己的經(jīng)驗。

而用于端到端大模型訓練的數(shù)據(jù)集，也將是人形機器人接下來行業(yè)競爭的一大壁壘。

04 讓人形機器人先進入工廠

2022年12月，谷歌RT-1模型發(fā)布。

這是一個機器人端到端模型，只要通過圖像或文本輸入一段任務(wù)描述，就可以控制機器人執(zhí)行相應(yīng)的動作。

憑借在指定環(huán)境中高達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，在這一項目中，依然存在一個不可忽視的短板，那就是場景泛化能力。

同樣關(guān)注到這一項目的焦繼超解釋稱，“谷歌RT系列用到的是強化學習算法，強化學習的優(yōu)點是能夠構(gòu)建一個純端到端的控制模型，但是它對動態(tài)環(huán)境的響應(yīng)能力和適應(yīng)性一直比較差。”

實際上，焦繼超在做人形機器人時，也會遇到一些人稱用強化學習已經(jīng)能夠讓人形機器人實現(xiàn)怎樣的能力，這時，焦繼超通常會再問一個問題：這樣的人形機器人在動態(tài)場景運行的怎么樣？

“很多基于強化學習的人形機器人，往往在同一個場景中加一個動態(tài)目標，運動能力很可能就會‘失效’。”

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

優(yōu)必選的技術(shù)路線是通過大模型做決策控制，通過結(jié)合深度學習的小模型構(gòu)建功能模塊，來構(gòu)建擁有泛化能力的人形機器人。

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

要解決這些問題，需要大量的算法研發(fā)、優(yōu)化和驗證工作，焦繼超和他的團隊前前后后花了有一年多的時間，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。

在這個過程中，國內(nèi)一些汽車廠商開始找到優(yōu)必選，希望能夠與優(yōu)必選合作，將人形機器人應(yīng)用到汽車生產(chǎn)環(huán)節(jié)。

之所以汽車廠商想要將人形機器人應(yīng)用到汽車生產(chǎn)工廠中，是因為伴隨著老齡化加劇，這些工廠已經(jīng)面臨著招工難的問題。

一邊是年輕人不再愿意進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越高，導(dǎo)致最終產(chǎn)品是否依然能夠在全球市場競爭中依然擁有足夠的競爭力的問題。

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

而之所以人形機器人普遍會將汽車工廠作為第一個落地應(yīng)用場景，焦繼超稱，“主要是因為工廠是一個通用性比較高，也是一個比較可控的場景。”

實際上，用于工廠場景的人形機器人，也將是首先進入批量生產(chǎn)的人形機器人。

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

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

優(yōu)必選針對工廠場景應(yīng)用的人形機器人，如今也有了明確計劃：

今年內(nèi)進入新能源汽車產(chǎn)線實訓，并在年底前完成交付，明年將進行小批量交付。

這一年，在大模型的加持下，人形機器人繼續(xù)加速進化，在工業(yè)場景中開始尋找破壁的機會。