李飞飞团队「具身智能」最新研究：机器人接手所有家务

李飞飞「具身智能」又出新研究了。

「机器人学习领域中的一个『圣杯』级挑战是执行通用的日常家庭移动操作任务。借助一款新型双臂移动机器人，我们的最新成果 —— BEHAVIOR Robot Suite（简称 BRS）正在尝试攻克这一极为困难且尚未解决的难题！」

在日常生活中，你有没有想过这样一个问题，即机器人究竟需要具备哪些能力才能真正帮助人类完成家务任务？BRS 就是为了解决这项任务而诞生的 —— 简单来讲，BRS 就是一个综合性框架，用于掌握机器人多样化家庭任务中移动全身操作。无论是倒垃圾、摆放衣物还是清洁马桶，BRS 都能让机器人应对这些日常实用活动。

例如，基于 BRS 的机器人可以帮助用户捡垃圾：

将扔在地上的物体重新放在架子上：

还能帮你清洁马桶，看起来是一个任劳任怨的机器人：

Party 过后帮你收拾桌子：

还能帮你去衣柜拿衣服：

这么全能的机器人是如何实现的呢？我们接着往下看。

方法介绍

论文主页：https://behavior-robot-suite.github.io/

机器人需要具备哪些关键能力才能有效执行日常家务？

通过分析，研究团队确定了成功执行这些任务所必需的三项全身控制能力：双手协调、稳定精确的导航以及广泛的末端执行器可达性。

例如，搬运大型重物需要双手操作，而在房屋中检索工具则依赖于稳定精确的导航。复杂任务 —— 如一边拿着杂货一边开门，需要协调运用这两种能力。此外，日常物品分布在不同位置和高度，这要求机器人能够相应地调整其触及范围。

经过精心设计的机器人硬件，配备双臂、移动底座和灵活躯干，是实现全身操作的关键。

然而，这类复杂设计给策略学习方法带来了重大挑战，尤其是在数据采集规模化和全身协调动作方面。

为应对这些挑战，研究团队推出了 BRS，旨在通过全身操作技术解决各种真实家庭任务。

BRS 有两项关键创新，两者协同解决机器人硬件和学习方面的挑战。

• JoyLo（Joy-Con on Low-Cost Kinematic-Twin Arms）；

• WB-VIMA（Whole-Body VisuoMotor Attention）。

JoyLo

为实现对高自由度移动机械臂的流畅控制，同时便于为后续策略学习收集数据，研究团队推出了 JoyLo —— 一种构建经济实惠的全身远程操作界面的通用框架。

研究团队在 R1 机器人上实现了 JoyLo，设计目标如下：

• 高效的全身协调控制系统，实现复杂动作的流畅衔接；

• 丰富的用户反馈机制，带来直观的远程操作体验；

• 确保高质量的示范动作，提升策略学习效果；

• 低成本实现方案，大幅提高系统可及性；

• 实时、便捷的控制器设计，确保操作无缝顺畅。

项目还提到，JoyLo 的成本总共不到 500 美元，团队还贡献了物料清单和组装说明。

• 物料清单地址：https://behavior-robot-suite.github.io/docs/sections/joylo/overview.html#bill-of-materials-bom

• 组装说明：https://behavior-robot-suite.github.io/docs/sections/joylo/step_by_step_assembly_guidance.html

WB-VIMA 策略

WB-VIMA 是一种模仿学习算法，旨在通过利用机器人的固有运动学层次结构来建模全身动作。

WB-VIMA 的一个关键见解是，机器人关节之间存在强烈的相互依赖关系 —— 上游链接（例如躯干）的小幅移动可能会导致下游链接（例如末端执行器）的大幅位移。为了确保所有关节之间的精确协调，WB-VIMA 将下游组件的动作预测条件化于上游组件的预测，从而实现更同步的全身运动。

此外，WB-VIMA 通过自注意力动态聚合多模态观察，使其能够学习表现力强的策略，同时减轻对本体感知输入的过拟合。

实验

实验探讨了以下问题：

• Q1：BRS 支持哪些类型的家庭任务？

• Q2：JoyLo 与其他方法相比表现如何？

• Q3：WB-VIMA 是否优于基线方法？

• Q4：哪些组件促成了 WB-VIMA 的有效性？

对于问题 1：BRS 适用于各种家庭任务，比如扔垃圾：

机器人先是导航到客厅中的垃圾袋旁边，将其捡起（子任务 1），然后将垃圾携带到一扇关闭的门前（子任务 2），打开门（子任务 3），移动到室外，并将垃圾袋放入垃圾桶（子任务 4）。 又比如，机器人打扫餐桌。机器人从客厅出发，导航到厨房的洗碗机（子任务 1）并打开洗碗机（子任务 2）。然后，它移动到游戏桌（子任务 3）收集碗（子任务 4）。最后，机器人返回洗碗机（子任务 5），将碗放入洗碗机内并关闭洗碗机（子任务 6）。稳定且精确的导航是完成这一任务的最关键能力。 

对于问题 2：JoyLo 能够为策略学习提供高质量的数据

研究团队对 10 名参与者进行了全面的用户研究，以评估 JoyLo 的效果及其收集数据对策略学习的适用性。下图为将 JoyLo 与 VR 控制器和 Apple Vision Pro 进行比较。

效率优势：

• JoyLo 整体任务成功率是 VR 控制器的 5 倍（Apple Vision Pro 无人完成全任务）；

• 中位完成时间较 VR 控制器缩短 23%；

• 在铰接物体操作等精细任务中表现突出。

                                 ^{用户研究结果（10 名参与者）。}

用户体验：

• 所有参与者最终评价 JoyLo 为最友好交互；

• 70% 用户最初认为 IK 更直观，但实操后偏好逆转；

• 用户反馈 IK 方法在移动底座 / 躯干控制上存在显著困难。

                               ^{用户研究参与者的人口统计数据和调查结果。}

对于问题 3：WB-VIMA 始终优于基线方法

实验显示，WB-VIMA 在所有任务中全面超越基准方法：端到端任务成功率比 DP3 高 13 倍，比 RGB-DP 高 21 倍；平均子任务表现分别优于 DP3（1.6 倍）和 RGB-DP（3.4 倍）。

                               ^{五项代表性家庭活动的成功率。「ET」表示整个任务，「ST」表示子任务。}

                              ^{评估期间的安全违规情况。WB-VIMA 与环境物体的碰撞极少，且几乎不会因施加过度力量而导致电机失去动力。}

对于问题 4：WB-VIMA 组件对任务性能的影响

研究团队针对 WB-VIMA 展开消融实验，分别移除自回归全身动作去噪和多模态观察注意力机制模块。实验表明，任一组件缺失均导致性能显著下降：在「将物品放上架子」及「整理衣物」任务的「打开衣柜」子任务中，移除自回归去噪模块使成功率骤降 53%；而多模态注意力机制缺失则全面削弱各任务表现。

                                                      ^{「放置物品到架子上」和「铺展衣物」任务的消融实验结果。}

最后，研究团队还展示了几个失败案例。包括：

1) 尽管机器人已经抓住把手，但未能完全打开洗碗机；

2) 未能按下冲水按钮；

3) 未能从地板上拾起垃圾袋；

4) 未能抬起地上的箱子；

5) 未能关闭衣柜门。

了解更多内容，请查看原论文。